雷锋网按：雷锋字幕组获MIT课程团队授权翻译自动驾驶课程，视频链接：http://www.mooc.ai/course/483/info
我们为你整理了每一个 Lecture 的课程笔记，提炼出每一讲的要点精华，推荐结合课程笔记观看视频内容，学习效果更佳。
原标题 MIT 6.S094: Deep Learning for Self-Driving Cars 2018 Lecture 5 Notes: Deep Learning for Human Sensing
作者 | Sanyam Bhutani
翻译 | 陈涛、朱伟杰、Binpluto,、佟金广 整理 | 凡江
所有的图片皆来自课程中的幻灯片。
这次的课程将利用深度学习的方法来理解人类的感官功能。
其中研究的重点在于计算机视觉技术。
我们将了解到：如何使用计算机视觉技术，从拍摄于汽车场景下的视频中提取有用的信息。
深度学习实现人类感知：
使用计算机视觉和深度学习的技术，创造可以在真实世界中发挥作用的系统。
达到此目的的要求是（按重要性排序）：
数据：
我们需要大量的真实数据，其中数据收集是最困难且最重要的环节。
半监督：
原始数据需要被归纳成有意义的、具有代表性的例子，这意味着原始数据需要被标注。
我们需要收集数据并采用半监督学习的技术，去找到其中可以被用来训练我们网络的数据。
有效标注：
良好的标注可以使模型表现出色。
对不同的场景，标注技术是完全不同的，比如：视线分类的标注、身体姿态估计的标注、SegFuse 比赛中图片像素级的标注。
硬件：
大批的数据需要得到大规模的分布式计算和存储。
算法：
我们希望算法能够自校准，从而得到泛化的效果。
时间动态：
目前深度学习中的算法都是基于单独的图像开发出来的，我们需要让算法能够处理一连串图像所组成的时间序列。
上述要求的重点是：数据收集及清理比算法本身更重要。
人类的缺点
分心驾驶：
2014 年，分心驾驶所引发的车祸导致 3179 人丧生，超过 431 万人受伤。
眼睛偏离路况：
当你边开车边发消息时，平均每 5 秒钟，你的眼睛就会偏离路况。
酒驾：
在 2014 年中，30％ 的交通死亡事件由酒驾造成。
毒驾：
在 2014 年中，23％ 的夜间驾驶者都属于毒驾。
疲劳驾驶：
疲劳驾驶引发了 3％ 的交通死亡事件。
考虑到这些缺点，以及我们在前面课程中讨论过的未来实现自动化驾驶的两条路径（以人为中心的自动化和完全的自动化）：
我们需要思考以人为中心的自动化驾驶的设想是否可行？
人们可能会倾向于过度信赖系统本身。
MIT－AVT 自然驾驶数据集
数据收集：
“2＋1”的摄像机配置。
摄像机 1：通过采集驾驶者脸部的高清视频，以实现视线识别和认知负荷评价。
摄像机 2（鱼眼摄像机）：负责身体姿态估计（是否手握方向盘以及活动识别）。
摄像机 3：记录车外场景，从而实现全景分割。
收集到的数据使得我们可以了解到如下信息：
驾驶者的行为。
部署自动化技术的效果。
如何设计算法，以帮助训练深度神经网络更好地完成感知任务。
安全性 Vs 针对自动驾驶的偏好
数据集显示无论自动导航仪是否开启，驾驶者身体参与程度其实是一样的。
所以，自动导航仪是允许被应用到实际中的，但是这样的系统并不会被驾驶员过度信任。
行人识别
面对的挑战：
不同的表现方式：类别内差异。
不同的清晰度。
造成视线遮挡的配饰。
行人间的互相遮蔽。
解决方案：
需求是从原始的像素图片中提取特征。
平滑移动图片：
Haar 级联
方向梯度直方图
卷积神经网络
更加智能化的网络：
快速区域卷积神经网络
薄膜区域卷积神经网络
Voxel 网络
这些网络生成的模型会被考虑用于整个方案的一个部分，而不是通过移动窗口的方式。
用一个卷积神经网络分类器去探测是否有兴趣对象出现。
用非最大化控制器来剔除重叠的矩形区域。
数据（从不同的交叉领域中得到的）：
每天记录 10 个小时的数据量。
大约有 12000 个行人通过。
2100 万具有特征向量的采样数量。
区域卷积神经网络会对所有行人进行矩形区域的探测。
肢体姿势估计
内容包括：
找到图片中的关联处。
找到图片中的重要节点。
为什么它很重要？
它会被用于判定司机的坐姿方式。
注释：一般情况下，安全气囊是在驾驶员面对正前方的假设下进行安装的。
然而随着驾驶自动化的进步，这个假设可能并不成立。
序列化探测法
先探测手，接下去是脚，然后是肩膀等等。
这是一种传统的方法。
整体姿势洞悉：
这是一种很强大并且成功的用于识别多人，多姿势的方法。
采取回归的手段分别探测完整图像中各个身体部位，而不是序列化的探测。
之后，把探测到的连接处黏连到一起。
能被用于探测各异的姿势，即使连接处并不可见。
级联姿态回归器：
卷积神经网络端输入原始图片后，会在每个连接点处产生一个 x－y 坐标的估计值。
在每个估计值处图像会进行放大，并且不断在更高的识别精度下产生新的估计值。
身体部位探测法：
我们可以用这种方法来识别多人图中的具体身体部位。
首先，人的身体部位的探测可以不经过个体识别而达到。
然后我们可以把这些部位连接起来。
通过二合匹配，再把不同的人黏连在一起。
这种方法被麻省理工学院用于识别人体上半身部分。
驾驶员的位置对比标准的正面位置。
颈部位置随时间变化的图表。
对行人的身体姿势进行预测。
这就允许当一位行人穿过马路并且看着这辆车时，算法进行非言语交际的动态性探测。
一个有趣的发现是：大多数人在横穿马路前，会对驶向自己的汽车视而不见。
浏览分类算法：
判断司机正在看哪儿
注：不同于凝视识别，这个算法用于确定 （x，y，z） 坐标。
（产生）两个结果：（视线）在路上／不在路上。
或六个结果：
在路上
不在路上
（看）左边
（看）右边
（看）仪表盘
（看）后视镜
这个分类算法可以视为机器学习问题。
同样能沿用到行人识别方面，比如他们正在／不在看行驶过来的汽车。
注：参考数据由人工注释提供。
面部定位：
设计一个能识别个体人脸并估计头部姿势的算法。
凝视分类算法工作流程：
源录像
标定：
基于传感器的位置，需要给它定位。
稳定录像
面部识别
面部校准
人眼／瞳孔识别
估计头部（和眼睛）的姿势
分类
最终剪辑
注释工具
半自动注释：网络不确定的数据由人为注释。
基本的比较评定：
我们可以接受的精确度是多少？
为了提高精确度，常常人为迭代和注释数据。
辅助的积极方面：
能够处理更多的训练数据。
某些级别的人工注释修复了一些问题。
驾驶员状态识别：
驾驶员的情绪识别。
多种方式分类情绪。
识别情绪的汇总。
比如：表达情感的数据开发包。
这套算法将我们的表现映射成情绪。
特定的情绪识别应用：
例如：使用基于语音的 GPS（全球定位系统）交互－自注释。
通用的情绪识别器做不到如下判断，在驾驶过程中笑意味着沮丧。
因此，注释是十分重要的。这些数据必须被标记于反映对应的情境。
认知负荷：
对应在一个人身上就是精神层面的繁忙。
眼睛的放大和收缩由认知负荷决定，其移动也可以反映为深度思考。
认知负荷能通过眨眼动态，眼球移动和瞳孔扩张来检测。
然而，现实中的光源使得瞳孔扩张被忽略。
而眨眼动态，眼球移动被加以使用。
3D 卷积神经网络
当输入一些列图片时，我们使用三维卷积的方法。
对多个图像／通道进行交叉卷积
这使得学习的过程在时间跨度上具有一定的动态范围。
真实情景数据：
利用 N 个背景任务来估计认知负荷。
我们检测人脸，提取眼部信息并且将他们输入到卷积神经网络中。
对人眼的移动及对应的认知负荷作图。
标准的 3D 卷积神经网络架构。
真实情景数据的实验结果准确度。
虽然我们一直以来在研究利用机器进行感知，比如利用传感器实现定位及路径规划等功能，我们距离实现真正的机器感知，还有至少 20 年的路要走。
所以，在现阶段必须将人包含在机器感知的过程中。
也就是说，需要通过改善人机接口从而使得机器人「能够理解」人类的行为。
通往大规模自动驾驶之路（不再有方向盘）。
以人为中心的自动驾驶：
SDC 是一个个人机器人而不是一套具有感知功能的控制系统。
传送控制系统中包括一个人机接口。
SDC 机器人将会对自动驾驶汽车产生深远的影响。
预告：MIT 的 SDC 机器人将会在 2018 年 3 月的首次公开亮相，并在公共街道上进行测试。
下节内容提要：
DeepTraffic 深度强化学习竞赛
DeepCrash
SegFuse 视频分割竞赛
更多文章，关注雷锋网，添加雷锋字幕组微信号（leiphonefansub）为好友
备注「我要加入」，To be an AI Volunteer ！
雷锋网雷锋网
正在生成分享图...
nebula