<mark id="oztn4"></mark>
0
雷鋒網：最近，一向低調的蘋果居然一改原本“封閉”的傳統，悄悄發布了一篇有關深度神經網絡研究的研究論文。
顯然，蘋果的這篇論文與自動駕駛有關，而它多年前就開始自動駕駛研發的小秘密早已大白于天下。該論文中的神經網絡名為 VoxelNet，蘋果一直在通過激光雷達點云訓練它執行目標識別任務。
誠然，這樣的方式相比基于圖像的目標識別（很多年來一直是深度學習研究的主題之一）高級不了多少，但對自動駕駛汽車行業的深度學習來說，這確實是個新興領域。因此，蘋果的研究結果具有重大的參考價值。
自動駕駛汽車是人工智能和機器學習領域研究者們數十年科研的成果匯聚，他們這段漫長而豐富的研究過程，值得我們一起重新領略。在蘋果、百度的科學家們發布的研究成果便是這樣的例子。
2018年1月16日，雷鋒網新智駕將在硅谷舉辦GAIR硅谷智能駕駛峰會，我們也邀請了重磅嘉賓進行主題報告分享，希望與大家一起領略這些探索者們、先鋒們在自動駕駛科研生涯過程中的精彩點滴。更多峰會信息點擊 https://gair.leiphone.com/gair/gairsv2018。
據雷鋒網了解，蘋果的 VoxelNet 還吸收了此前兩個將深度學習應用在激光雷達點云上的經驗，它們都來自與百度相關的研究者。由于這三篇論文就像三重唱，因此下面我將對它們進行一次快速掃描。
第一篇名為《適用于點云車輛探測的 3D全卷積網絡》（3D Fully Convolutional Network for Vehicle Detection in Point Cloud），作者為來自百度的 Bo Li。
在該論文中，Bo Li 主要在一個 3D 點云上應用了 DenseBox 全卷積網絡（FCN）架構。
為此，Li 將點云分成了體素，這樣就不用通過神經網絡運行 2D 像素了，運行 3D 體素就行。
隨后，訓練全卷積網絡來識別體素點云中的功能。
對全卷積網絡進行非樣本處理以產生兩個輸出張量：其中一個是客體性張量，另一個則是包圍盒張量。
從感知的目的來看，包圍盒張量可能更有趣，它會在車輛周圍“畫”出一個包圍盒。
第二篇論文是清華大學和百度多位研究者（Xiaozhi Chen, Huimin Ma, Ji Wan, Bo Li, Tian Xia）的智慧結晶，該論文名為《自動駕駛多視角 3D 目標探測網絡》（Multi-View 3D Object Detection Network for Autonomous Driving）。
研究人員開發了多視角 3D 網絡（MV3D），它將激光雷達和攝像頭圖像整合進了一個復雜的神經網絡管道。
與第一篇論文相反（在激光雷達點云之外構建立體像素），MV3D 只是用到了點云中兩個單獨的 2D 視角：一個來自前端，一個則來自頂端（鳥瞰角度）。此外，MV3D 還用到了與激光雷達掃描有關的 2D 攝像頭圖像。它們能提供三個單獨的 2D 圖像（激光雷達前置視角、激光雷達頂端視角和攝像頭前端視角）。
隨后，MV3D 可利用每個視角生成一個 2D 包圍盒。鳥瞰視角的 LiDAR 生成的包圍盒與地面平行，另外兩個視角生成的 2D 包圍盒則與地面垂直。將這些包圍盒相結合，就能生成一個“護衛”住車輛的 3D 包圍盒。
在網絡末端，MV3D 則用到了“深度融合”來結合三個神經網絡管道的輸出。最終得出的結果就是目標分類和 3D 包圍盒。不過實話說，我不太清楚“深度融合”是如何工作的。
第三篇論文就是最近一石激起千層浪的蘋果論文，該論文名為《VoxelNet：基于 3D 目標識別點云的端對端學習》（VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection）。
VoxelNet 有三個組成部分，它們分別是：特征學習網絡、卷積中間層和區域建議網絡。
學者認為，特征學習網絡是“知識的主要來源”。這個網絡的工作是開啟立體像素中半隨機的點樣本，隨后這些點樣本會穿過一個全互聯網絡（非全卷積網絡）。該網絡能學習逐點特性，這些特性與體素（與這些點同源）息息相關。
事實上，該網絡在利用這些逐點特性培養體素特性，它們是這些體素的素描。雖然這里講的有些過于簡單，不過它們其實就是學習特性，不但能描述每個體素，還與車輛各部分的分類有關。因此，一個體素可能會帶有“黑色”、“橡膠”和“胎面”等特性，從這里我們就能猜測到，這個體素“盯上”的是輪胎。當然，人不一定能理解每一個真實特性，但這確實是一個好思路。
最后這些體素特性經由卷積中間層進入區域建議網絡，隨后穿過該區域進入包圍盒和分類區域。
這條研究線最令人印象深刻的地方其實在于它的新。那兩篇百度論文一年前才首次公布，過去半年才開始得到大家的熱烈討論，而蘋果的論文更是剛剛出爐。
現在可真是個為自動駕駛汽車打造深度神經網絡的好時候。
雷鋒網推薦閱讀：
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
