[Paddle Detection]基于PP-YOLOE+实现道路场景目标检测及部署
该项目着眼于基于视觉深度学习的自动驾驶场景，旨在对车载摄像头采集的视频数据进行道路场景解析，为自动驾驶提供一种解决思路。利用YOLO系列模型PP_YOLOE+完成车辆检测实现一种高效高精度的道路场景解析方式,从而实现真正意义上的自动驾驶，减少交通事故的发生，保障车主的人身安全。数据集地址视频数据： 超过1,100小时的100000个高清视频序列在一天中许多不同的时间，天气条件，和驾驶场景驾驶经验。视频序列还包括GPS位置、IMU数据和时间戳。道路目标检测。
提升回归模型可信度：4种神经网络不确定性估计方法对比与代码实现
回归任务中，模型常只输出预测值而忽略不确定性，带来潜在风险。本文对比四种神经网络不确定性估计方法：均值+对数标准差、均值+对数方差、MC Dropout与简化PPO。实验表明，前两者在混凝土强度数据上表现最佳，能有效识别可靠预测，而PPO效果不佳。准确评估不确定性对医疗、自动驾驶等高风险领域至关重要。
大模型和传统ai的区别
在人工智能（AI）领域，大模型一直是一个热议的话题。从之前的谷歌 DeepMind、百度 Big. AI等，再到今天的百度GPT-3,人工智能技术经历了从“有”到“大”的转变。那么，大模型与传统 ai的区别在哪里？这对未来人工智能发展会产生什么影响？
基于人工智能的图像识别技术在自动驾驶中的应用
【5月更文挑战第30天】
随着科技的发展，人工智能（AI）在各个领域的应用越来越广泛，特别是在自动驾驶领域，AI的图像识别技术发挥着重要的作用。本文将详细介绍AI图像识别技术的基本原理，以及如何在自动驾驶中应用这种技术。我们将讨论AI图像识别技术的优势和挑战，以及未来的发展趋势。
KITTI SOTA！OBMO：单目3D检测伪标签生成新策略（即插即用）
在本文中，作者发现单目图像的不适定性会导致深度模糊。具体来说，具有不同深度的目标可以在2D 图像中以相同的边界框和相似的视觉特征出现。遗憾的是，网络不能准确地区分不同深度和这种非歧视性的视觉特征，导致不稳定的深度训练。为了促进深度信息的学习，作者提出了一个简单而有效的即插即用模块，一个边界框多目标(OBMO)。
基于深度学习的图像识别技术在自动驾驶汽车中的应用
【5月更文挑战第27天】
随着人工智能技术的飞速发展，深度学习在图像识别领域取得了显著的进步。这些进步为自动驾驶汽车提供了强大的技术支持，使得汽车能够更准确地识别道路、行人、交通标志等物体。本文将探讨基于深度学习的图像识别技术在自动驾驶汽车中的应用，并分析其优势和挑战。