91香蕉国产视频,色之综合天天综合色天天棕色,国产操逼内射,麻豆操比,大香蕉免费主播福利视频,日韩无码一卡,免费在线观看一级片,在线播放国内精品

點擊上方“機(jī)器學(xué)習(xí)與生成對抗網(wǎng)絡(luò)”，關(guān)注星標(biāo)

獲取有趣、好玩的前沿干貨！

作者 Georgian 來源 DeepHub IMBA 編輯極市平臺

本文根據(jù)今年的CVPR錄用結(jié)果總結(jié)出了一些CV領(lǐng)域相關(guān)的發(fā)展現(xiàn)狀。

計算機(jī)視覺(Computer Vision, CV)是人工智能領(lǐng)域的一個領(lǐng)域，致力于讓計算機(jī)能夠像人類一樣識別和處理圖像和視頻中的物體。以前，計算機(jī)視覺只能在有限的能力下工作。但由于深度學(xué)習(xí)的進(jìn)步，該領(lǐng)域近年來取得了巨大的飛躍，現(xiàn)在正在迅速改變不同的行業(yè)!

CV的變化如此之快，實際上僅去年一年，我們就經(jīng)歷了10年的變化，發(fā)表了超過4.5萬篇論文，OpenAI (iGPT[18]和CLIP[10])和谷歌(v - g /14[19])等大型科技公司發(fā)布了許多怪物模型!跟上這個領(lǐng)域?qū)γ總€人來說都是一個挑戰(zhàn)!

在這篇文章中，你可以閱讀我們的CVPR會議總結(jié)。CVPR (Computer Vision and Pattern Recognition，計算機(jī)視覺與模式識別)是計算機(jī)視覺領(lǐng)域最重要的會議之一。今年，CVPR共舉辦了83個研討會，30個教程，50多個贊助者，12次會議共發(fā)表了超過1600篇論文(其中7093篇論文，錄收率約23%)。

使用對抗性示例學(xué)習(xí)概述

深度學(xué)習(xí)和計算機(jī)視覺系統(tǒng)在各種任務(wù)上都取得了成功，但它們也有缺點。最近引起研究界注意的一個問題是這些系統(tǒng)對對抗樣本的敏感性。一個對抗性的例子是一個嘈雜的圖像，旨在欺騙系統(tǒng)做出錯誤的預(yù)測 [1]。為了在現(xiàn)實世界中部署這些系統(tǒng)，它們必須能夠檢測到這些示例。為此，最近的工作探索了通過在訓(xùn)練過程中包含對抗性示例來使這些系統(tǒng)更強(qiáng)大對抗對抗性攻擊的可能性。

使用對抗樣本學(xué)習(xí)的利弊

優(yōu)點：傳統(tǒng)的深度學(xué)習(xí)方法對數(shù)據(jù)集中的每個訓(xùn)練樣本均等地加權(quán)，而不管標(biāo)簽的正確性。這可能會使學(xué)習(xí)過程脫軌，尤其是在標(biāo)簽包含噪聲的情況下。通過對抗性學(xué)習(xí)，當(dāng)加入不同級別的噪聲時，每個樣本的可靠性可以根據(jù)其預(yù)測標(biāo)簽的穩(wěn)定性來估計。這使模型能夠識別和關(guān)注對噪聲更具彈性的樣本，從而降低其對對抗性示例的敏感性。此外，在訓(xùn)練機(jī)制中包含對抗性示例已被證明超過了標(biāo)準(zhǔn)任務(wù)的基準(zhǔn)，例如對象分類和檢測。這在半監(jiān)督設(shè)置中很有用，即當(dāng)標(biāo)記數(shù)據(jù)供應(yīng)有限時。

缺點：對抗性訓(xùn)練涉及設(shè)置“epsilon”參數(shù)，該參數(shù)控制添加到每個樣本的噪聲量。過高的“epsilon”可能會阻礙學(xué)習(xí)過程。此外，[2] 中所做的實驗表明，隨著大型標(biāo)記數(shù)據(jù)集的可用，監(jiān)督學(xué)習(xí)技術(shù)的性能趕上了對抗性訓(xùn)練技術(shù)，使得對抗性訓(xùn)練的優(yōu)勢變得不那么深刻。

使用對抗樣本學(xué)習(xí)的最新技術(shù)

SENTRY：此方法在遷移學(xué)習(xí)的設(shè)置中使用對抗性示例。遷移學(xué)習(xí)是深度學(xué)習(xí)的領(lǐng)域，其中在源分布上訓(xùn)練的模型在不同的目標(biāo)分布上進(jìn)行微調(diào)和評估。在目標(biāo)分布中，SENTRY 解決了分配給所有樣本的權(quán)重相等的問題。它使用“預(yù)測一致性”方法識別可靠的目標(biāo)實例。在這種方法中，模型的預(yù)測置信度在被認(rèn)為可靠的高度一致的目標(biāo)實例上增加。更具體地說，一個實例，連同它自身的幾個增強(qiáng)版本，被輸入到一個模型集合中。評估每個模型的預(yù)測的一致性。如果更多模型的預(yù)測一致，則目標(biāo)實例是可靠的，因此應(yīng)該用于最小化熵?fù)p失。如果預(yù)測不一致，則目標(biāo)實例不可靠，因此應(yīng)忽略。按照這種方法，SENTRY 在 DomainNet [3] 上實現(xiàn)了 SOTA，這是一個標(biāo)準(zhǔn)數(shù)據(jù)集，用于評估模型的遷移學(xué)習(xí)能力。

AdvProp：在訓(xùn)練中包含對抗性示例已被證明可以提高模型性能并導(dǎo)致更符合人類解釋的特征 [4]。這項工作探索了干凈和對抗性圖像的聯(lián)合訓(xùn)練模型。以前的工作探索了對抗樣本的預(yù)訓(xùn)練模型，然后對干凈的圖像進(jìn)行微調(diào)。雖然這提高了分類性能，但模型變得容易受到“災(zāi)難性遺忘”的影響，其中模型忘記了它在預(yù)訓(xùn)練階段（在域轉(zhuǎn)移的情況下）學(xué)習(xí)的特征。為了解決這個問題，提出了輔助批量歸一化（BN）層來專門對對抗樣本進(jìn)行歸一化。另一方面，正常的 BN 層用于標(biāo)準(zhǔn)化干凈的圖像。這允許歸一化層根據(jù)干凈樣本和對抗樣本的不同分布而表現(xiàn)不同。在推理過程中，輔助 BN 層被刪除，而正常的 BN 層用于預(yù)測。這種訓(xùn)練機(jī)制與作為主干架構(gòu)的 EfficientNet 一起在 ImageNet 分類精度上實現(xiàn)了前 1 名的 SOTA 性能。此外，AdvProp 在更難的 ImageNet 版本上實現(xiàn)了 SOTA 性能：ImageNet-a、ImageNet-c 和 Stylized ImageNet。此外，在訓(xùn)練中包括對抗樣本也實現(xiàn)了目標(biāo)檢測的 SOTA [5]。

自監(jiān)督和對比學(xué)習(xí)概述

深度學(xué)習(xí)需要干凈的標(biāo)記數(shù)據(jù)，這對于許多應(yīng)用程序來說很難獲得。注釋大量數(shù)據(jù)需要大量的人力勞動，這是耗時且昂貴的。此外，數(shù)據(jù)分布在現(xiàn)實世界中一直在變化，這意味著模型必須不斷地根據(jù)不斷變化的數(shù)據(jù)進(jìn)行訓(xùn)練。自監(jiān)督方法通過使用大量原始未標(biāo)記數(shù)據(jù)來訓(xùn)練模型來解決其中的一些挑戰(zhàn)。在這種情況下，監(jiān)督是由數(shù)據(jù)本身（不是人工注釋）提供的，目標(biāo)是完成一個間接任務(wù)。間接任務(wù)通常是啟發(fā)式的（例如，旋轉(zhuǎn)預(yù)測），其中輸入和輸出都來自未標(biāo)記的數(shù)據(jù)。定義間接任務(wù)的目標(biāo)是使模型能夠?qū)W習(xí)相關(guān)特征，這些特征稍后可用于下游任務(wù)（通常有一些注釋可用）。自監(jiān)督學(xué)習(xí)在 2020 年變得更加流行，當(dāng)時它終于開始趕上全監(jiān)督方法的性能。有貢獻(xiàn)的一項特殊技術(shù)是對比學(xué)習(xí) (Contrastive Learning)。

CL 的靈感來自一個古老的想法 [6]，即相似的項目應(yīng)該在嵌入空間中保持靠近，而不同的項目應(yīng)該相距很遠(yuǎn)。為了實現(xiàn)這一點，CL 形成了樣本對。對于給定的樣本，使用樣本項和它的增強(qiáng)版本創(chuàng)建一個正對。類似地，使用相同的項目和不同的項目創(chuàng)建負(fù)對。然后，學(xué)習(xí)特征使得正對在嵌入空間中很近，而負(fù)對相距很遠(yuǎn)。這允許相似的項目在嵌入空間中聚集在一起。聚類中心可以表示語義或?qū)ο箢悺Ｓ捎跊]有使用標(biāo)簽，CL 可以利用大量未標(biāo)記的原始數(shù)據(jù)。

自我監(jiān)督和對比學(xué)習(xí)的利弊

優(yōu)點：自監(jiān)督學(xué)習(xí)是一種數(shù)據(jù)高效的學(xué)習(xí)范式。監(jiān)督學(xué)習(xí)方法教會模型擅長特定任務(wù)。另一方面，自監(jiān)督學(xué)習(xí)允許學(xué)習(xí)不專門用于解決特定任務(wù)的一般表示，而是為各種下游任務(wù)封裝更豐富的統(tǒng)計數(shù)據(jù)。在所有自監(jiān)督方法中，使用 CL 進(jìn)一步提高了提取特征的質(zhì)量。自監(jiān)督學(xué)習(xí)的數(shù)據(jù)效率特性使其有利于遷移學(xué)習(xí)應(yīng)用。

缺點：自監(jiān)督學(xué)習(xí)的大部分成功都?xì)w功于精心選擇的圖像增強(qiáng)，例如縮放、模糊和裁剪。因此，為特定任務(wù)選擇正確的增強(qiáng)集和程度可能是一個具有挑戰(zhàn)性的過程。此外，CL 可能會誤導(dǎo)模型區(qū)分包含相同對象的兩個圖像。例如，對于一匹馬的圖像，為了創(chuàng)建負(fù)對，CL 可能會選擇另一個也包含一匹馬的圖像。在這種情況下，模型認(rèn)為是負(fù)對的實際上是正對。

最先進(jìn)的自我監(jiān)督和對比學(xué)習(xí)

SimSiam: Exploring Simple Siamese Representation Learning：Siamese 網(wǎng)絡(luò)框架是一種在自監(jiān)督學(xué)習(xí)中廣受歡迎的架構(gòu)。與創(chuàng)建正負(fù)對的 CL 不同，該框架僅最大化圖像增強(qiáng)之間的相似性，這有助于學(xué)習(xí)有用的表示。自監(jiān)督學(xué)習(xí)中的并行工作使用對比損失，這些工作的成功依賴于 (i) 負(fù)對 [7] 的使用，(ii) 批次大小，以及 (iii) 動量編碼器 [8]。然而，SimSiam 不依賴于這些因素，使其對超參數(shù)的選擇更加穩(wěn)健。此外，SimSiam 使用“stop-gradient”技術(shù)來防止特征崩潰。特征崩潰是一種現(xiàn)象，模型在不學(xué)習(xí)有用表示的情況下學(xué)習(xí)了最小化目標(biāo)函數(shù)的捷徑。因此，學(xué)習(xí)到的特征是不可泛化的。通過避免特征崩潰，SimSiam 在 ImageNet 和后續(xù)下游任務(wù)（例如 COCO 對象檢測和實例分割）上取得了有競爭力的結(jié)果。

DINO：自監(jiān)督視覺Transformers的新興特性：DINO 建立在 SwAV [9] 之上，包括無標(biāo)簽的自蒸餾。使用的主干架構(gòu)是Transformers [10]，它已被證明優(yōu)于卷積網(wǎng)絡(luò)。使用transformers + DINO框架，改進(jìn)了圖像分類任務(wù)的SOTA。DINO 可應(yīng)用于復(fù)制檢測和圖像檢索等應(yīng)用。給定一個查詢圖像，盡可能快地檢索該圖像的所有可能副本。此外，DINO 免費(fèi)提供分段功能。與監(jiān)督方法相比，在 DINO 中學(xué)習(xí)的特征已被證明在顯著圖生成方面表現(xiàn)更好。最后，通過仔細(xì)的閾值設(shè)置，DINO 可以開箱即用地應(yīng)用于每幀視頻對象分割，而無需進(jìn)行時間一致性訓(xùn)練。

視覺語言模型概述

Vision-Language (VL) 涉及對圖像和文本模式有共同理解的訓(xùn)練系統(tǒng)。VL 類似于人類與世界互動的方式；視覺是人類如何感知世界的很大一部分，而語言是人類交流方式的很大一部分。VL 模型學(xué)習(xí)不同數(shù)據(jù)模態(tài)的聯(lián)合嵌入空間。對于訓(xùn)練，使用圖像和文本對，其中文本通常描述圖像。該領(lǐng)域的大部分最新工作都使用基于轉(zhuǎn)換器的自監(jiān)督學(xué)習(xí)來從數(shù)據(jù)中提取特征。另一方面，視頻-文本對已開始用于學(xué)習(xí)更豐富和更密集的表示。然而，它仍然是一個具有巨大潛力的新興領(lǐng)域。

視覺語言模型的優(yōu)缺點

優(yōu)點：VL 使用不同形式的數(shù)據(jù)，可以更好地進(jìn)行特征映射和提取。此外，可以使用大量數(shù)據(jù)樣本（例如 YouTube 視頻和自動生成的注釋）來訓(xùn)練這些系統(tǒng)。與自監(jiān)督學(xué)習(xí)類似，學(xué)習(xí)到的特征是通用的，可用于多個下游任務(wù)，例如

圖像字幕 (IC)
視覺問答 (VQA)
視覺蘊(yùn)涵
圖文檢索

此外，VL 模型可用于學(xué)習(xí)更好的視覺特征和增強(qiáng)語言表示，如

OpenAI-CLIP [11]
Google ALIGN [12]
OpenAI-DALL-E [13]
Vokenization [14]

缺點：VL 模型專門使用英語來創(chuàng)建圖像-文本對。因此，多語種工作在這一領(lǐng)域仍需取得進(jìn)展。至于視頻文本模型，沒有足夠的統(tǒng)一基準(zhǔn)來評估它們。而且，類似于基于圖像-文本的 VL 模型，視頻-文本模型也可以通過更多地關(guān)注多語言功能來使不同的語言受益。

最先進(jìn)的視覺語言模型

VinVL：重新審視視覺語言模型中的視覺表示：VinVL 改進(jìn)了 VL 任務(wù)的視覺表示。VL 模型通常具有對象檢測器模型和語言提取器模型，然后是融合模型。融合模型負(fù)責(zé)合并視覺和語言嵌入。以前的 VL 模型主要側(cè)重于改進(jìn)視覺語言融合模型 [15]，同時保持對象檢測模型不變。VinVL 表明視覺特征在 VL 模型中非常重要，并提出了改進(jìn)的對象檢測模型。對象檢測模型檢測幾乎覆蓋圖像所有語義區(qū)域的邊界框，而不是僅覆蓋重要對象的傳統(tǒng)邊界框。最后，視覺特征通過轉(zhuǎn)換器 [16] 與語言嵌入融合。在對多個數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練后，VinVL 針對多個下游任務(wù)（VQA、IC 等）進(jìn)行了微調(diào)，并在七個公共基準(zhǔn)上實現(xiàn)了 SOTA 性能。性能提升可歸因于改進(jìn)的對象檢測模型。

有限數(shù)據(jù)學(xué)習(xí)概述

監(jiān)督學(xué)習(xí)方法需要大量數(shù)據(jù)，其性能在很大程度上取決于訓(xùn)練數(shù)據(jù)的質(zhì)量和大小。然而，在現(xiàn)實世界中，大量標(biāo)記數(shù)據(jù)的獲取通常很昂貴或不容易獲得。當(dāng)考慮需要基于專家知識（例如醫(yī)學(xué)成像）進(jìn)行注釋的視覺類、很少出現(xiàn)的類或標(biāo)記需要大量工作（例如圖像分割）的任務(wù)時，這個問題變得更加嚴(yán)重。在過去的十年中，出現(xiàn)了各種研究領(lǐng)域來應(yīng)對這些挑戰(zhàn)。弱監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)和自/半監(jiān)督等領(lǐng)域試圖通過使 ML 模型從有限、弱或嘈雜的監(jiān)督中學(xué)習(xí)來克服這些挑戰(zhàn)。由于上面已經(jīng)介紹了自/半監(jiān)督，這里我們主要關(guān)注弱監(jiān)督學(xué)習(xí)和遷移學(xué)習(xí)。

有限數(shù)據(jù)學(xué)習(xí)的利弊

優(yōu)點：弱監(jiān)督學(xué)習(xí)和遷移學(xué)習(xí)有助于減少訓(xùn)練 CV 模型所需的標(biāo)記數(shù)據(jù)量，從而增加這些模型在工業(yè)中的應(yīng)用和采用。弱監(jiān)督學(xué)習(xí)還可以幫助模型在存在噪聲標(biāo)簽的情況下表現(xiàn)得更好，這在現(xiàn)實世界中經(jīng)常出現(xiàn)。此外，基于實例的遷移學(xué)習(xí)方法可用于克服現(xiàn)實世界數(shù)據(jù)集自然產(chǎn)生的類不平衡挑戰(zhàn)（例如，視覺世界的長尾分布[17]）。

缺點：弱監(jiān)督學(xué)習(xí)和遷移學(xué)習(xí)都是相對較新的領(lǐng)域，仍需要時間才能在工業(yè)中使用。這些方法通常是根據(jù)從受控環(huán)境收集的基準(zhǔn)來開發(fā)和評估的，因此在實際環(huán)境中進(jìn)行測試時，它們的性能通常會下降。此外，這些領(lǐng)域中最有趣的論文都是基于研究環(huán)境中的假設(shè)而開發(fā)的，但不一定在現(xiàn)實環(huán)境中。在使用這些論文解決實際問題時，請注意這些論文中隱含和顯式的假設(shè)。

使用有限數(shù)據(jù)進(jìn)行最先進(jìn)的學(xué)習(xí)

WyPR：弱監(jiān)督點識別：WyPR 以點云為輸入，共同解決分割、提議生成和檢測。共同完成這些任務(wù)有幾個好處，包括：

將語義分割作為檢測的替代任務(wù)可以提供點級預(yù)測，形成自下而上的解決方案
這些任務(wù)是互利的，例如，檢測結(jié)果可用于細(xì)化分割
多任務(wù)設(shè)置可以實現(xiàn)更好的表征學(xué)習(xí)。

WyPR 使用多實例學(xué)習(xí) (MIL) 和自我訓(xùn)練技術(shù)進(jìn)行訓(xùn)練，并在任務(wù)和轉(zhuǎn)換中定義了額外的一致性損失。WyPR 在 ScanNet 數(shù)據(jù)上的性能比之前的分割方法高 6.3% mIoU。同樣，它在 ScanNet 上的提議生成和檢測方面優(yōu)于先前的提議方法。

DatasetGAN：

DatasetGAN 使用生成對抗網(wǎng)絡(luò) (GAN) 和小樣本學(xué)習(xí)（遷移學(xué)習(xí)的一個子領(lǐng)域）來生成真實的訓(xùn)練數(shù)據(jù)——圖像和標(biāo)簽。該方法建立在 StyleGAN[20] 之上，StyleGAN[20] 是用于生成逼真圖像的最新模型。StyleGAN 默認(rèn)只生成圖像。為了使 StyleGAN 能夠在圖像之外生成標(biāo)簽（例如語義分割圖），他們在 StyleGAN 的合成塊中添加了一個標(biāo)簽分支。標(biāo)簽分支只是幾層多層感知器，在這項工作中用 16 個標(biāo)記樣本進(jìn)行訓(xùn)練。論文表明，即使只有一個標(biāo)記示例，該方法也能獲得合理的結(jié)果，并且當(dāng)提供 30 個標(biāo)記示例時，它達(dá)到了全監(jiān)督方法的性能。此外，作者表明相同的想法可用于生成帶有標(biāo)簽的合成視頻 [21]。

零售行業(yè)

從自助結(jié)賬到產(chǎn)品推薦，CV 在過去幾年幫助零售公司取得了重要進(jìn)展。以下是一些使用簡歷來提升零售體驗的公司和初創(chuàng)公司的例子：

Grabango 是一家位于伯克利的零售視覺初創(chuàng)公司，它正在應(yīng)用 CV 進(jìn)行無摩擦結(jié)賬，類似于 AmazonGo。這家初創(chuàng)公司的目標(biāo)是生成一個虛擬購物籃，用于識別購物者選擇的商品，簡化結(jié)賬流程。為了實現(xiàn)自助結(jié)賬，由加州大學(xué)伯克利分校的 Trevor Darrell 教授領(lǐng)導(dǎo)的數(shù)據(jù)科學(xué)團(tuán)隊將問題分解為三個部分：跟蹤，跟蹤店內(nèi)顧客的動向，檢測諸如取走/保留商品等事件。貨架和預(yù)測產(chǎn)品 ID。Grabango 在商店中放置了數(shù)以千計的傳感器、訪問大量歷史數(shù)據(jù)以及來自 BAIR（伯克利人工智能研究）的專門研究人員團(tuán)隊，Grabango 正在使自助結(jié)賬成為現(xiàn)實。

Facebook AI Research (FAIR)：通過從 Facebook Marketplace 訪問數(shù)百萬個零售數(shù)據(jù)點，F(xiàn)acebook 能夠創(chuàng)建 CV 模型，根據(jù)文本描述向用戶推薦產(chǎn)品。簡而言之，用戶輸入他們想要購買的產(chǎn)品的描述。Facebook 使用此描述作為查詢來獲取并向用戶顯示最相關(guān)的產(chǎn)品圖片。在幕后，F(xiàn)acebook 使用 GrokNet，這是一個訓(xùn)練用于大規(guī)模產(chǎn)品識別的 CV 模型。使用著名的 ArcFace 模型和 Catalyzer 的改進(jìn)，GrokNet 在產(chǎn)品推薦任務(wù)上取得了令人印象深刻的結(jié)果。

自動駕駛

幾年來，自動駕駛汽車一直是人們關(guān)注的焦點。谷歌、特斯拉、優(yōu)步、豐田和 Waabi 等多家公司和初創(chuàng)公司投資于自動駕駛汽車。雖然實現(xiàn) 5 級自治的基本原則（即汽車在無人干預(yù)的情況下自動駕駛）保持一致，但該領(lǐng)域的領(lǐng)導(dǎo)者對哪些傳感器性能更好有不同的看法。自動駕駛汽車廣泛使用傳感器來獲取有關(guān)其周圍環(huán)境的數(shù)據(jù)。然后將這些數(shù)據(jù)饋送到 CV 模型以獲得自動駕駛所需的預(yù)測。一些公司將僅使用攝像頭的傳感器作為黃金標(biāo)準(zhǔn)，而另一些公司則更喜歡將攝像頭和雷達(dá)傳感器混合使用。

特斯拉：由 Andrej Karpathy 博士領(lǐng)導(dǎo)的自動駕駛團(tuán)隊僅使用攝像頭傳感器進(jìn)行預(yù)測。該團(tuán)隊通過實驗展示了使用攝像頭傳感器而不是雷達(dá)的好處。特斯拉首席執(zhí)行官埃隆馬斯克甚至發(fā)了推文！此外，該團(tuán)隊認(rèn)為攝像頭傳感器比雷達(dá)便宜，這使得它們在大規(guī)模生產(chǎn)時更經(jīng)濟(jì)。與其競爭對手相比，特斯拉已經(jīng)在街上擁有數(shù)千輛自動駕駛汽車。這使他們能夠收集訓(xùn)練期間未考慮的獨特駕駛條件的實時數(shù)據(jù)。為此，特斯拉擁有一個名為“車隊”的基礎(chǔ)設(shè)施，其唯一目的是從世界不同地區(qū)收集有關(guān)不同駕駛條件的數(shù)據(jù)。以“大數(shù)據(jù)=自動駕駛解決”的理念，特斯拉在自動駕駛行業(yè)的研發(fā)中處于領(lǐng)先地位。

Waabi：由自動駕駛行業(yè)專家兼首席執(zhí)行官 Raquel Urtasun 博士領(lǐng)導(dǎo)，Waabi 是一家總部位于多倫多的初創(chuàng)公司，專注于長途卡車駕駛。Waabi 使用一套傳感器在卡車周圍創(chuàng)建導(dǎo)航環(huán)境。使用概率模型，環(huán)境能夠模擬和合成現(xiàn)實生活中遇到的不同交通狀況和場景。從這個環(huán)境中采樣不同的路徑軌跡，然后輸入到為特定任務(wù)設(shè)計的 CV 模型。Waabi 認(rèn)為，獲取真實交通中可能發(fā)生的所有可能場景的實時數(shù)據(jù)是很困難的。在這里，模擬環(huán)境可用于創(chuàng)建多個邊緣情況場景，然后可用于訓(xùn)練模型。

引用

Adversarial Example. https://openai.com/blog/adversarial-example-research/.
Robustness May Be at Odds with Accuracy. https://arxiv.org/abs/1805.12152
Class-imbalanced Domain Adaptation: An Empirical Odyssey. https://arxiv.org/abs/1910.10320.
Adversarial Examples Are Not Bugs, They Are Features. https://arxiv.org/abs/1905.02175.
Robust and Accurate Object Detection via Adversarial Learning. https://arxiv.org/abs/2103.13886.
Self-organizing neural network that discovers surfaces in random-dot stereograms. https://www.nature.com/articles/355161a0
A Simple Framework for Contrastive Learning of Visual Representations. https://arxiv.org/abs/2002.05709.
Bootstrap your own latent: A new approach to self-supervised Learning. https://arxiv.org/abs/2006.07733.
Unsupervised Learning of Visual Features by Contrasting Cluster Assignments. https://arxiv.org/abs/2006.09882.
An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. https://arxiv.org/abs/2010.11929.
CLIP: Connecting Text and Images. https://openai.com/blog/clip/.
ALIGN: Scaling Up Visual and Vision-Language Representation Learning With Noisy Text Supervision. https://ai.googleblog.com/2021/05/align-scaling-up-visual-and-vision.html.
DALL-E: Creating Images from Text. https://openai.com/blog/dall-e/.
Vokenization: Improving Language Understanding with Contextualized, Visual-Grounded Supervision. https://arxiv.org/abs/2010.06775.
Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering. https://arxiv.org/abs/1707.07998.
Oscar: Object-Semantics Aligned Pre-training for Vision-Language Tasks. https://arxiv.org/abs/2004.06165.
Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition from a Domain Adaptation Perspective, https://arxiv.org/abs/2003.10780
iGPT: Image GPT: https://openai.com/blog/image-gpt/.
Scaling Vision Transformers: https://arxiv.org/abs/2106.04560
A Style-Based Generator Architecture for Generative Adversarial Networks: https://arxiv.org/abs/1812.04948
DriveGAN: Towards a Controllable High-Quality Neural Simulation: https://arxiv.org/abs/2104.15060
PoseAug: A Differentiable Pose Augmentation Framework for 3D Human Pose Estimation (Oral, Best paper candidate): https://arxiv.org/abs/2105.02465
Rethinking and Improving the Robustness of Image Style Transfer (Oral, Best Paper Candidate): https://arxiv.org/abs/2104.05623
SimSiam: Exploring Simple Siamese Representation Learning: https://arxiv.org/abs/2011.10566
SENTRY: Selective Entropy Optimization via Committee Consistency for Unsupervised Domain Adaptation. https://arxiv.org/abs/2012.11460
Adversarial Examples improve Image Recognition (CVPR’20): https://arxiv.org/abs/1911.09665
VinVL: Revisiting Visual Representations in Vision-Language Models: https://arxiv.org/abs/2101.00529
DINO: Emerging Properties in Self-Supervised Vision Transformers: https://arxiv.org/pdf/2104.14294.pdf. Blog: https://ai.facebook.com/blog/dino-paws-computer-vision-with-self-supervised-transformers-and-10x-more-efficient-training
DatasetGAN: Efficient Labeled Data Factory with Minimal Human Effort: https://arxiv.org/abs/2104.06490 . Code and Blog: https://nv-tlabs.github.io/datasetGAN/