自动驾驶新数据集发布，针对局部的渐进稀疏技术 | AI一周学术

大数据文摘专栏作品

作者：Christopher Dossman

编译：Jiaxu、云舟

呜啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly栏目又和大家见面啦！

AI Scholar Weekly是AI领域的学术专栏，致力于为你带来最新潮、最全面、最深度的AI学术概览，一网打尽每周AI学术的前沿资讯，文末还会不定期更新AI黑镜系列小故事。

每周更新，做AI科研，从这一篇开始就够啦！

本周关键词： 自动驾驶、姿势估计、机器人

本周热门学术研究

首个且唯一包含完整自动驾驶汽车传感器套件的数据集

最新研究发布了一个大型自动驾驶数据集，该数据集是首个包括5个雷达，1个激光雷达，6个摄像头，IMU和GPS在内的完整传感器套件的数据集。 NuTonomy场景（NuScenes）比KITTI数据集多出7倍和100倍的图像，涵盖23个类别，包括不同类型的车辆，行人，移动设备及其他对象。

研究人员还发明了一种新的3D方法来整合各种物体检测的类别和任务，包括对物体大小，分类，方向，本地化，速度和属性的检测和估计。针对激光雷达和图像检测方法的数据集分析和基线测试证明，尽管仅基于激光雷达和仅基于图像的物体检测都能达到物体识别的要求，但仅激光雷达的网络性能更为优越。

潜在应用及影响

NuScenes能够加速自动驾驶方面的研究和技术，从而推进物体识别技术，并使相关技术更加实用化。我们希望研究人员鼓励对于 NuScenes的进一步探索，以使其能够运用所有传感器数据并利用语义地图来获得更好的性能。因为每个传感器模态都提供用于训练3D对象检测的补充特征。

此外，该研究已经推动了第一次NuScenes检测的挑战，该挑战将于2019年4月推出。

挑战赛获胜者和结果将在自动驾驶研讨会上宣布。

阅读更多：

https://www.nuscenes.org/

原文：

https://arxiv.org/abs/1903.11027

弱监督发现人类3D姿势估计中的几何表达

尽管现有的3D人体姿势估计已经具有很高的性能，但仍然存在一系列普遍限制，包括有限的动态，实验室环境及内部数据集的变化等。

那么，弱监督学习则在过去一段时间内对这一挑战提供了一种新的方法。但是现有的弱监督学习方法都对于用于模型初始化的大规模3D训练样本有较强的依赖性。

日前，一种新的模型提供了一种完全有别于现有框架的方法，该方法致力于在仅使用2D注释的条件下，发现一种人类姿势在潜在空间中强大的几何3D表达。因此，它允许使用较少数据的单眼3D姿势估计训练。 Human3.6M和MPI-INF-3DHP数据集的模型评估证明了其在3D人体姿势估计任务上的有效性和灵活性。

潜在应用及影响

阅读完论文后，我认为该模型非常灵活，且易于训练和实施。 其次，它仅在训练阶段在自动编码器中使用2D关键点信息和多个视图，因此可显著改善现有技术的3D人体姿势估计模型的性能。

原文：

https://arxiv.org/abs/1903.08839v1

针对局部的渐进稀疏技术（PSLA）

为了解决当前视频对象检测方面的挑战，例如移动模糊，不寻常姿势，离焦相机等等，研究人员推出了一种新方法，可以无需依赖光流模型而实现最先进的性能。 该方法可以大大减少模型参数，从而提高结果。

新模型还应用递归特征更新（RFU）和密集特征变换（DFT）技术来模拟时间外观并增强非关键帧特征表示。 PSLA 通过在ImageNet数据集上实现81.4％mAP证明了其优于现有技术的有效性。

潜在应用及影响

简而言之，该研究将大大推进视频对象的检测，跟踪和处理等技术。 同时呼吁AI在各类物体检测任务上提升其准确性，包括机器人，自动驾驶，监视等。

原文：

https://arxiv.org/abs/1903.09126v2

可能消除危险电气控制的柔性机器人

机器人工业正在逐步向我们展示能够显著改善日常生活的创新，特别是在健康和制造业。但同时，机器人应用程序却非常敏感，一个小小的错误事件可能会使得机器人采用大相径庭的错误方法。

研究人员最近开发了一种柔性机器人，用真空电源线、控制输入和时钟线来实现抓取和移动。开发过程遵循欧盟ATEX电气设备认证所必需的数字电子的基本设计原则，以确保安全。该模型实现了流体电路、开关和执行器，并能准确预测一系列系统模块和功能的移动。

潜在应用及影响

柔性机器人是由高度兼容的材料制成的，可以提高机器人灵活性和适应性。因此，我认为，关于柔性机器人的研究有潜力使柔性机器人系统的开发能够在当今的极端环境中（包括医学、制造业、大气等）执行更复杂的功能和行为。

监测和干预野火和其他蔓延过程的优先权地图

虽然有许多火势传播网络、模拟器和基于无人机路径规划的空间监控，但目前并没有单一的进程将它们连接在一起。此外，洪水和其他传播方法也面临着类似的挑战。最近的一篇论文旨在通过生成依赖传播过程动力学的优先级映射来解决这一挑战。优先权地图非常重要，因为它有助于定义关键区域或节点，在这些节点中野火、洪水或疾病往往涉及到生命或基础设施风险，非常具有灾难性。

该框架实现了正系统的特征，精确地划分了价值函数的结构，为监控和干预提供了可扩展的算法。在用16个和1000个节点的例子对模型进行评估时，优先级映射方法对系统的动态变化给出了积极的响应。特别是1000节点示例，展示了框架如何集成野火景观、风况和传播动力学。

潜在应用及影响

对于无人机在监视和灾难干预当中的应用来说，能够在考虑速度、飞行时间、耐力和传感器范围的情况下快速决定无人机应该飞到哪里至关重要。

鉴于研究团队已经提出了未来的工作，包括用真实的传播模型和传感假设进行更多的测试，以及与机器人运动规划算法的进一步集成，无人机的路径规划将得到显著改进。除此之外，所提出的优先权地图可以进一步提升，因为它们可以用作无人机路径规划问题的输入。

其他爆款论文

想了解基于CNN的绝对摄像机姿态回归的局限性吗？请看：

https://arxiv.org/abs/1903.07504

可能的基于区块链的解决方案和多代理机器人的实际任务。

https://arxiv.org/abs/1903.11041

RoboCup@Home 2019中使用的趋势解决方案和方法。

https://arxiv.org/abs/1903.10882

基于图像的恶意软件检测和分类的新转移学习技术。

https://arxiv.org/abs/1903.11551

闭塞边缘检测最准确、最先进的提取。

https://arxiv.org/abs/1903.08890v1

AI新闻

深入学习的教父们获得了图灵奖。

https://techxplore.com/news/2019-03-artificial-intelligence-tech-nobel-prize.html

人工智能在2019年走向何方？

https://www.artificial-intelligence.blog/news/the-state-of-artificial-intelligence-in-2019

更丰富、更真实的模拟，助力提高自动车辆的安全性。

https://www.sciencedaily.com/releases/2019/03/190327142010.htm

专栏作者介绍

Christopher Dossman是Wonder Technologies的首席数据科学家，在北京生活5年。他是深度学习系统部署方面的专家，在开发新的AI产品方面拥有丰富的经验。除了卓越的工程经验，他还教授了1000名学生了解深度学习基础。

LinkedIn：

https：//www.linkedin.com/in/christopherdossman/