Deep Learning State of the Art (2020) | MIT Deep Learning Series簡單記錄

視頻地址：https://www.youtube.com/watch?list=PLrAXtmErZgOeiKm4sgNOknGvNjby9efdf&time_continue=12&v=0VH1Lim8gL8&feature=emb_logo

記錄

針對自動駕駛的總結：

1. 自動駕駛的level2是human is responsible，level4是machine is responsible。
2. 對於自動駕駛衡量標準是看其能夠行駛多少距離不出現問題。
3. （重要）介紹了一種動態的優化神經網絡模型的流程（感覺這種方式非常有效，且需要在未來進行實施），其要點是用戶在使用過程中發現邊緣狀況（edge cases），把該狀況上傳，進行標註後用於模型的再訓練。
4. 自動駕駛的工業界主要採用的是Multi-Task Learning，這裏的task包括目標檢測、車道檢測、可行駛區域檢測、行駛軌跡生成等，Multi-Task Learning表示只採用一個神經網絡同時進行多個task，並且每一個task都有一專家去同時做模型的訓練和發現邊緣狀況，以此來最大化網絡的效果
5. 自動駕駛主要使用的兩種感知方式爲：視覺和雷達，這兩種方式各有優缺點。

深度學習概念和里程碑的歷史：

未來應該研究的主題

自動駕駛

1. 自動駕駛的level2是human is responsible，level4是machine is responsible。
   
2. 對於自動駕駛衡量標準是看其能夠行駛多少距離不出現問題。
   
3. （重要）提出了一種動態的優化神經網絡模型的流程（感覺這種方式非常有效，且需要在未來進行實施）
   
4. 自動駕駛的工業界主要採用的是Multi-Task Learning，並且每一個task都有一專家去同時做模型的訓練和發現邊緣狀況，以此來最大化網絡的效果

5. 自動駕駛主要使用的數據類型比較：視覺vs雷達
   
6. 對於自動駕駛的未來展望