大模型在自动驾驶领域的应用(下:可行性).tbd
1. 系列文章
背景
本文承接大模型在自动驾驶领域的应用(上:可能性)结尾的问题:
大模型在智慧交通/自动驾驶领域的落地的前景会是怎样的? 可行性如何?
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 論文範！
相关推荐
2023-06-04
大模型在自动驾驶领域的应用(上:可能性)
系列文章大模型在自动驾驶领域的应用(上:可能性)语言大模型的本地部署.lite自有数据辅助的大语言模型问答精度改进大模型在自动驾驶领域的应用(下:可行性).tbd 前言为了探察自动驾驶技术栈在AIGC（生成式人工智能能）热潮下的技术动向，本文对《万字长文说清大模型在自动驾驶领域的应用》进行解构，下面是原文的内容框架： mindmap root((自动驾驶大模型)) 1.应用场景 1.1 云端应用 数据自动标注 数据挖掘 蒸馏小模型 预测性能上限 场景重建 1.2 车端应用 合并小模型 物体检测 车道拓扑检测 2.用好大模型 2.1 升级数据存储 2.2 适配网络架构 2.3 模型训练效率 优化算子 并行策略 用好“稀疏”性 统一处理基本信息 优化硬件配置 3.继续增加模型参数？ 4.其它应用方式 感知领域 规划领域 对于上述内容，我感兴趣的点...
2023-08-07
基于机器视觉的桌面窗体组件的目标检测.notFinished
系列文章微信公众号数据采样试验mitmproxy实时数据处理appium对手机微信的自动化测试winAppDriver对桌面微信的自动化测试UI Automation对桌面微信的自动化测试基于机器视觉的桌面窗体组件的目标检测.notFinished 需求和目标通过自动化测试技术激活软件的流量、进而对软件内容进行爬取, 其中的一个关键点就是如何定位到软件的窗口组件, 从而进行后续的操作。 在本系列文章前面的文章中, 我们通过inspect.exe等软件, 预先将桌面软件窗体组件”硬编码”到了代码中. 但是这种方式的弊端在于: 不仅增加了程序员的工作量, 而且当目标组件的属性变化时, 原先的自动化测试爬虫就失效了. 总之, “硬编码船体组件”是非常僵化的方式. 我们需要一种更加鲁棒的方式, 实现对窗体目标组件的识别, 而目标检测(object detection)技术, 就是一种对目标进行智能化检测的手段. 在本文, 我将基于YOLO架构, 实现一个目标检测模型, 用于识别软件窗体组件. 本文的主要内容包括: YOLO目标检测的基本概念和原理 YOLOv5目标检测的关键技术 对电脑屏幕中的软件窗体组件进行目标检测 方案与实施
2024-10-19
KCF核相关滤波的应用场景浅析(学术篇, 2024年10月)
概述钻研材料：KCF跟踪算法原理 入门详解 核相关滤波算法（Kernel Correlation Filter, KCF）是一种在计算机视觉领域中广泛应用于目标跟踪的技术。KCF算法通过将时域的计算转换到频域中进行，大量简化了计算过程，不仅提高了跟踪速度，而且在跟踪精度上也有很大的提升。这种算法的核心优势在于其能够有效地处理目标在视频序列中的运动，包括尺度变化、遮挡、光照变化等复杂情况。 在现实场景中，KCF算法的应用非常广泛。例如，在智能监控和安全系统中，KCF算法可以用于实时监控视频流中的特定目标，如人员、车辆等，以实现对异常行为的检测和预警。此外，KCF算法也被应用于自动驾驶车辆的辅助驾驶系统中，通过跟踪道路上的行人、其他车辆等，提高车辆的安全性和可靠性。 在医疗领域，虽然KCF算法通常不直接用于疾病诊断，但其在图像处理和分析方面的应用可以辅助医生进行更准确的诊断。例如，通过分析医学影像中的特定结构或病变区域，KCF算法可以帮助医生识别和跟踪这些区域的变化，从而辅助疾病的早期发现和治疗。 在机器人技术中，KCF算法可以用于机器人的视觉导航和目标跟踪。通过跟踪环境中的特定目标，如标记物或特定的人类成员，KCF算法可以帮助机器人更好地理解其周围环境，从而实现更加精准和安全的操作。 总之...
评论