摘要： 总结一下之前我们学过的道路线寻找步骤： 1. 相机校准：系数计算一遍就好啦 2. 恢复图像畸变：每张图都要转化一下 3. 颜色、梯度阈值：实现方法很多，最终得到一张只有0,1组成的道路线明显的输出图片 4. 透视变换：需要找到4个源点来实行透视变换 假设道路是完全平的并且相机视角恒定不变（简化问题） 阅读全文

摘要： 梯度： 之前前言里的边界检测能检测到很多边界，不仅是道路线的还包括了各种景物，车，路标等干扰因素。 但是我们知道我们要找的道路线应该是相对比较垂直于路面的，所以我们可以把找到的线和图片的x轴和y轴再计算梯度。 索贝尔算子（Sobel Operator）： 两个大于等于3并且大小为奇数的方形矩阵，用和 阅读全文

摘要： 为了成为计算机视觉专家，我们需要对图片的形状，颜色，地理等新元素有更多深入的认识和理解。 无人驾驶的循环三部曲：感知世界（计算机视觉！），做出决策，付诸行动 感知占了自动驾驶的百分之八十工作量。 雷达，激光雷达：空间分辨率低，3D，贵 摄像头：空间分辨率高，2D，便宜 --> 大势所趋 现在需要找到 阅读全文

摘要： 简介：这是整个课程最有趣的部分，首先你自己模拟开车，然后你的神经网络学习你的开车方法，学会自己开车 驾驶模拟器：跑在最小的大小和最快图像质量就可以了，先用训练模式训练，现在用简单跑道就可以了，但是也可以用困难跑道。 用箭头键或者鼠标控制车，R（或者空格？）控制录像，当自己习惯开车之后开始录制，这里的 阅读全文

摘要： 有时候你需要很长时间从头开始搭建神经网络并且进行训练和调整，但是如果是从一个类似的项目上把神经网络移植过来并且进行调整相对来说能省很多时间，这就是transfer learning，一个很重要的技能。 理由：类似项目已经经过大量训练，很多有用的经验已经存储在里面了，可以为我们所用；而且如果我们的数据 阅读全文

摘要： Keras：基于TensorFlow，但是更高一级的框架，使深度神经网络，卷积神经网络的搭建更加简洁，能更方便得调节各种神经网络相关的参数 只用深度学习实现自动驾驶而不是传统的robotics approach会比较好，不需要设定各种关于规则，网络会自己学习，而且随着驾驶时间变长数据变多，效果会变得 阅读全文

摘要： 实战神经网络项目，识别图像中有无信号灯以及什么颜色的信号灯 扩展阅读：http://yann.lecun.com/exdb/publis/pdf/sermanet-ijcnn-11.pdf 利用了LeNet的结构来对交通信号灯进行分类 步骤： 导入数据 初始化，打印看看 预处理（正则化，打乱顺序，分 阅读全文

摘要： 如果你知道你的数据具体是什么内容（图片，一系列东西），能把模型训练得比一般普适的模型要好得多。 比如说在做数字、字母识别的时候，我们知道识别只和形状有关和颜色无关，我们就可以不用RGB的参数而只用灰度输入。 又比如在做图像识别的时候，猫片被识别为猫和猫在图片的哪里并没有关系（translation 阅读全文

摘要： 大纲简介： 1. 将分类器变成深度网络 2. 用优化器计算梯度 3. 理解正则化 用之前MNIST例子，线性模型的参数有28*28（像素）*10（宽度）+10（b） = 7850个参数 总结一下就是(N+1)*K个参数，N是输入的维度，K是输出的维度。 线性模型能表现的输入输出关系有限，但是它高效（ 阅读全文

摘要： 什么是深度学习： 1. 感知问题：用数据训练机器干之前只能人来干的事情，如图像处理，语言对话识别，人机交互 -> 计算机视觉，语音识别 2. 应用：发现新药，自然语言处理，理解文件 优势： 1. 数据越多越准确 2. 问题越复杂越可能发现人类会忽略的联系 3. 方法对于各界问题都通用 为什么现在热？ 阅读全文