MIT课程：深度学习无人驾驶(2018) by Lex Fridman 笔记

最近MIT 6.S094出了2018年的视频，之前看过一些2017年的视频，但是没有看完，现在正好寒假，抽时间看完了五个lecture，遗憾的是有一些邀请讲座没有放出来。

第一节

讲了去年这门课的情况，深度学习的发展，简介，一些基础理论，缺陷，高级的应用如：语义分割，图像上色，对抗学习，描述生成，注意力机制，强化学习，迁移学习。比较重要的是提到了在AI中，人是非常重要的一个考虑因素，无论是乘客还是行人。以及推出了几个自动驾驶相关的比赛，期待各位踊跃参加。

第二节

• 现在人类驾驶有很高的事故率，而无人车可以极大降低事故发生的次数。
• 无人车没有人类的各种生理心理的不良状况，可以24小时完美地完成任务。同时，无人车被代码控制，也有被黑客攻击的可能。
• 无人车的0-5等级。
• A1，A2两种路径。A1以人为中心。A2全自动。
• Waymo, Uber, Tesla, Audi A8 等公司的高速进展。
• SLAM，视觉里程计。
• 场景理解，目标检测，声频识别。
• 路径规划，DRL。
• 司机状态监测。人体关键点。面部表情。

第三节

• 强化学习的例子。目标，行为，状态，反馈。
• 价值函数，Q-Learning。
• Exploration vs Exploitation
• Deep Q-Learning

第四节

• 在深度学习中，比如图像分类，有着很多问题，如：光照，姿态，类间区别，遮挡，语义模糊。
• “Learning” 就是优化一个函数。
• 历年的ImageNet比赛冠军。AlexNet，ZFNet
• 分割网络SegNet，FCNs，CRFs，Dilated convolution。
• ResNet-DUC Understanding Convolution for Segmantic Segmentation。
• FlowNet: Learning Optical flow with Convolutional Networks.
• FlowNet2.0: Evolution of Optical Flow Estimation with Deep Networks.
• SegFuse: Dynamic Driving Scene Segmentation

第五节

• 状态不好的司机很容易造成交通事故，对车内人的面部，体态进行检测。
• 行人检测，Faster R-CNN，Mask RCNN，VoxelNet。
• DeepPose