與此同時(shí)，通過(guò)深度學(xué)習方法，人工智能的實(shí)際應用能夠在汽車(chē)安全系統的發(fā)展進(jìn)步中發(fā)揮重要的作用。而這些系統遠不止僅供典型消費者群體掌握和使用。

 

深度學(xué)習這一概念在幾十年前就已提出，但如今它與特定的應用程序、技術(shù)以及通用計算平臺上的可用性能更密切相關(guān)。深度學(xué)習的“深度”層面源于輸入層和輸出層之間實(shí)現的隱含層數目，隱含層利用數學(xué)方法處理（篩選/卷積）各層之間的數據，從而得出最終結果。在視覺(jué)系統中，深度（vs.寬度）網(wǎng)絡(luò )傾向于利用已識別的特征，通過(guò)構建更深的網(wǎng)絡(luò )最終來(lái)實(shí)現更通用的識別。這些多層的優(yōu)點(diǎn)是各種抽象層次的學(xué)習特征。

 

例如，若訓練深度卷積神經(jīng)網(wǎng)絡(luò )（CNN）來(lái)對圖像進(jìn)行分類(lèi)，則第一層學(xué)習識別邊緣等最基本的東西。下一層學(xué)習識別成形的邊緣的集合。后續圖層學(xué)習識別諸如眼或鼻這樣的形狀的集合，而最后一層將學(xué)習甚至更高階（如面部）的特征。多層更擅長(cháng)進(jìn)行歸納，因為它們可以學(xué)習原始數據和高級分類(lèi)之間的所有中間特征。如圖1所示，這種跨越多層的歸納對于最終用例是有利的，如對交通標志進(jìn)行分類(lèi)，或者盡管存在墨鏡、帽子和/或其他類(lèi)型的障礙物，也可能識別特定面部。

 

圖 1：簡(jiǎn)易交通標志示例

 

深度學(xué)習的“學(xué)習”層面源于對分層網(wǎng)絡(luò )如何在給定大量已知輸入及其期望輸出的情況下產(chǎn)生更準確結果（圖2）所需的訓練（反向傳播）的迭代。這種學(xué)習減少了那些迭代產(chǎn)生的錯誤，并最終獲得分層函數的結果，以滿(mǎn)足整體系統需求，并為目標應用程序提供極其穩健的解決方案。這種學(xué)習/分層/互連類(lèi)型類(lèi)似于生物神經(jīng)系統，因此支持人工智能的概念。

 

圖 2：簡(jiǎn)易反向傳播示例

 

盡管深度學(xué)習具有效力，但其在實(shí)際應用中也遇到了一些挑戰。對于容易受到系統限制因素（如總體成本、功耗和擴展計算能力）影響的嵌入式應用程序而言，在設計支持深度學(xué)習功能的系統時(shí)必須考慮這些限制因素。開(kāi)發(fā)人員可以使用前端工具，如Caffe（最初由加州大學(xué)伯克利分校開(kāi)發(fā)的深度學(xué)習框架）或TensorFlow（谷歌的發(fā)明）來(lái)開(kāi)發(fā)總網(wǎng)絡(luò )、層和相應的功能，以及目標最終結果的培訓和驗證。完成此操作后，針對嵌入式處理器的工具可將前端工具的輸出轉換為可在該嵌入式器件上或該嵌入式器件中執行的軟件。

 

TI深度學(xué)習（TIDL）框架（圖3）支持在TI TDAx汽車(chē)處理器上運行的深度學(xué)習/基于CNN的應用程序，以在高效的嵌入式平臺上提供極具吸引力的高級駕駛輔助系統（ADAS）功能。

 

圖 3：TIDL框架（TI器件轉換器和深度學(xué)習庫）

 

TIDL框架為軟件可擴展性提供快速嵌入式開(kāi)發(fā)和平臺抽象；在TI硬件上實(shí)現用于加速CNN的高度優(yōu)化的內核，以及支持從開(kāi)放框架（如Caffe和TensorFlow）到使用TIDL應用程序編程界面的嵌入式框架進(jìn)行網(wǎng)絡(luò )轉換的轉換器。

 

有關(guān)此解決方案的更多詳細信息，請閱讀白皮書(shū)“TIDL：嵌入式低功耗深度學(xué)習，” 并查看其它資源中的視頻。

 

其他資源：

 

●    觀(guān)看基于深度學(xué)習的語(yǔ)義分割的現場(chǎng)演示：

●    嵌入式視覺(jué)聯(lián)盟的現場(chǎng)演示.

●    在TDA處理器上.

●    TDA2和TDA3處理器上的EuroNCAP前置攝像頭。

 

 

免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問(wèn)題，請聯(lián)系小編進(jìn)行處理。

 

推薦閱讀：