推荐三个 Udacity 无人驾驶纳米项目的感知项目

本文为 AI 研习社编译的技术博客，原标题 Perception Projects from the Self-Driving Car Nanodegree Program，作者为 David Silver。 翻译 | 余杭 校对 | 王祎

在这些项目中，学生们构建了包括感知技术，深度学习，计算机视觉在内的众多项目，充分展示了他们的能动性，创造性和工作理念。

我们经常被学生告知在Udacity 自动驾驶工程师纳米学位项目中他们最喜欢的主题是感知技术，深度学习和计算机视觉（https://www.udacity.com/course/self-driving-car-engineer-nanodegree--nd013?utm_source=medium&utm_medium=content&utm_campaign=david_silver_blog）。

他们将对这些主题的浓厚兴趣直接转化为了高质量的工作。现在，我将向你们分享一下其中 3 个学生项目，这3个项目涵盖了上述这些主题，而且尤其令人印象深刻。

使用 ResNet 作为特征提取器实现 YOLO

https://medium.com/@m.khan/implementing-yolo-using-resnet-as-feature-extractor-5857f9da5014

Mohammad Atif Khan

我非常喜欢这个项目！ Mohammad 独立完成了这个项目，并且大大超出了纳米项目的要求。这对于他以后的事业发展有非常大的裨益，因为雇主们非常喜欢这类有天赋的学生，这类学生能够深入研究某个专题，他们会通过自主构建项目来将想法具现化并且实验技能。

“在这个项目中我使用了预训练的 ResNet50 神经网络，移除了它的分类层，因此它变成了一个特征提取器，然后加入了 YOLO 的分类层（随机初始化后）。然后在 Udacity 的 CrowdAI 数据集上训练它以检测视频帧中的车辆”

语义分割

https://github.com/KiqueGar/CarND-Semantic-Segmentation

Enrique Garcia

Enrique 在纳米学位的高级深度学习项目中使用了 VGG-16 创建语义分割神经网络。他使用 KITTI 数据集来训练网络，然后将其应用到他在墨西哥自驾游时取的场景图上。一起看看这个YouTube 视频！

“原始的 FCN-8s 是分阶段训练。后来作者在 Github 上传了一个同时训练所有阶段的版本的 repo . Github repo 中的版本有个很重要的不同点是：池化层 3 和 4 的输出在它们被喂进 1 × 1 的卷积层之前被缩放了。结果是，一些学生发现这种包含缩放层的模型学习效果要好得多。模型的收敛速度可能不会那么快，但是会达到很高的检测评价值以及准确率”

使用机器学习来进行车辆检测

https://towardsdatascience.com/machine-learning-for-vehicle-detection-fd0f968995cf

Moataz Elmasry

Moataz 构建了一个结合了方向梯度直方图，支持向量机 ，以及滑动窗口搜索的车辆检测管道。我特别喜欢他在减少车辆检测的误报方面使用的热力图。这各项目是一个很好的例子，它大大超出了纳米学位工程的给出的要求，这个项目真正地构造了一个杰出的项目。

现在给定 SVM 模型，期望得到一些误报。为了过滤那些不正确的检测结果，其中一个方法是设定正向窗口的阈值，我们只提取那些多个窗口重叠的区域。在本质上，生成了正向窗口的热力图。

Udacity 基于项目的课程学习意味着纳米学位的所有学生都可以像这样自主构建项目，它让你可以学习到实用的技能，可以通过把完成的项目上传到动态的 Portfolio 来展示新技能和学习到的经验。

如果你对围绕感知技术，深度学习或是任何与自动驾驶汽车有关的工程技术来构建令人惊奇的项目，那么你应该点击我们的自动驾驶纳米课程简介，或是加入我们的自动驾驶汽车工程纳米项目。

期待在课堂上看到你，我已经等不及要看到你构造的项目了。

原文链接：https://medium.com/udacity/perception-projects-from-the-self-driving-car-nanodegree-program-51fb88a38ff9