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...
2024-10-19
KCF核相关滤波的应用场景浅析(通用篇，2024年10月)
概述KCF（Kernel Correlation Filter，核相关滤波算法）在现实场景中有着广泛的应用，尤其是在目标跟踪领域。KCF算法因其高速度、高精度和高鲁棒性而受到广泛关注，并被广泛应用于计算机视觉的各种任务中。 目标跟踪：KCF算法是目标跟踪领域的一种经典方法，主要用于实时运动目标的检测与跟踪。它通过循环矩阵和核函数结合方向梯度直方图（HOG）特征，提高了跟踪的精度和速度。例如，在监控、运动分析、医疗图像、行为识别等领域，KCF算法可以用于实时跟踪移动目标。 抗遮挡再跟踪：针对目标在跟踪过程中可能遇到的遮挡问题，研究者们提出了改进的KCF算法。这些改进算法通过融合Sobel边缘检测和FHOG特征，增强了对遮挡情况的鲁棒性，并结合卡尔曼预测算法，实现了在目标被遮挡后的准确再跟踪。 复杂场景下的鲁棒性提升：为了应对复杂背景下的跟踪挑战，KCF算法也被不断优化。例如，引入尺度自适应更新策略、多尺度空间滤波和自适应目标响应策略等改进措施，以提高算法在复杂场景下的跟踪精度和速度。 多目标追踪：KCF算法还可以用于多目标追踪任务中，通过计算检测目标框和预测目标框的交并比（IOU），并结合匈牙利算法确定最优关联，从而实现多目标的准确追踪。 遥感视频处理：在遥感视频动态目标提取中，...
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
评论