PVT++：通用的端對(duì)端預(yù)測(cè)性跟蹤框架
本文提出通用的端對(duì)端預(yù)測(cè)性跟蹤框架 PVT++，旨在解決目標(biāo)跟蹤的部署時(shí)的延遲問題。多種預(yù)訓(xùn)練跟蹤器在 PVT++ 框架下訓(xùn)練后“在線”跟蹤效果大幅提高，某些情況下甚至取得了與“離線”設(shè)定相當(dāng)?shù)男Ч?/span>
▲ PVT++引言
單目標(biāo)跟蹤（SOT）是計(jì)算機(jī)視覺領(lǐng)域研究已久的問題。給定視頻第一幀目標(biāo)的初始位置與尺度，目標(biāo)跟蹤算法需要在后續(xù)的每一幀確定初始目標(biāo)的位置與尺度。將這類視覺方法部署在機(jī)器人上可以實(shí)現(xiàn)監(jiān)測(cè)、跟隨、自定位以及避障等智能應(yīng)用。大多數(shù)目標(biāo)跟蹤算法的研究與評(píng)估都基于“離線”假設(shè)，具體而言，算法按照（離線）視頻的幀號(hào)逐幀處理，得出的結(jié)果與對(duì)應(yīng)幀相比以進(jìn)行準(zhǔn)確率/成功率計(jì)算。然而，這一假設(shè)在機(jī)器人部署中通常是難以滿足的，因?yàn)?/span>算法本身的延遲在機(jī)器人硬件上不可忽視，當(dāng)算法完成當(dāng)前幀時(shí)，世界已經(jīng)發(fā)生了變化，導(dǎo)致跟蹤器輸出的結(jié)果與實(shí)際世界的目標(biāo)當(dāng)前狀態(tài)不匹配。換言之，如圖二（a）所示，由于算法的延遲總存在（即使算法達(dá)到實(shí)時(shí)幀率），輸出的結(jié)果“過時(shí)”是不可避免的。
這一思想起源于 ECCV2020 “Towards Streaming Perception”。
由于機(jī)載算力受限，平臺(tái)/相機(jī)運(yùn)動(dòng)劇烈，我們發(fā)現(xiàn)這一問題在無人機(jī)跟蹤中尤為嚴(yán)重，如圖一所示，相比“離線”評(píng)估，考慮算法延遲的“在線”評(píng)估可能使得其表現(xiàn)大幅下降。
▲ 圖一. “離線”評(píng)估與“在線”評(píng)估中各個(gè)跟蹤器的表現(xiàn)以及 PVT++ 在“在線”跟蹤中的效果。灰色圖標(biāo)代表離線評(píng)估，藍(lán)色圖標(biāo)代表相同方法在線評(píng)估，紅色圖標(biāo)代表相同方法使用 PVT++ 轉(zhuǎn)換為預(yù)測(cè)性跟蹤器。
如圖二（b）所示，為解決這一問題，預(yù)測(cè)性跟蹤器需要提前預(yù)測(cè)世界未來的狀態(tài)，以彌補(bǔ)算法延遲導(dǎo)致的滯后性。
這一理論詳見 ECCV2020 “Towards Streaming Perception” 以及我們過往的工作 “Predictive Visual Tracking（PVT）”。
而與以往的在跟蹤器后使用卡爾曼濾波的方法不同，在本文中，我們從跟蹤器能提供的視覺特征出發(fā)，研發(fā)了端對(duì)端的預(yù)測(cè)性目標(biāo)跟蹤框架（PVT++）。我們的 PVT++ 有效利用了預(yù)訓(xùn)練跟蹤器可提供的視覺特征并可從數(shù)據(jù)中學(xué)習(xí)目標(biāo)運(yùn)動(dòng)的規(guī)律，進(jìn)而做出更準(zhǔn)確的運(yùn)動(dòng)預(yù)測(cè)。
▲ 圖二.（a）常規(guī)的跟蹤器有延遲，所以結(jié)果總是滯后的。（b）預(yù)測(cè)性跟蹤提前預(yù)測(cè)世界的狀態(tài)，彌補(bǔ)延遲帶來的滯后性。（c）與基于卡爾曼濾波的方法不同，我們的 PVT++ 有效利用了跟蹤器自帶的視覺特征并可從數(shù)據(jù)中學(xué)習(xí)運(yùn)動(dòng)的規(guī)律，進(jìn)而做出更準(zhǔn)確的預(yù)測(cè)。
PVT++ 是一個(gè)通用的可學(xué)習(xí)框架，能適用不同類型的跟蹤器，如圖一所示，在某些場(chǎng)景下，使用 PVT++ 后甚至能取得與“離線”評(píng)估相當(dāng)?shù)摹霸诰€”結(jié)果。
貢獻(xiàn)
- 我們研發(fā)了端對(duì)端的預(yù)測(cè)性目標(biāo)跟蹤框架 PVT++，該通用框架適用于不同類型的跟蹤器并能普遍帶來大幅效果提升。
- 為實(shí)現(xiàn)“從數(shù)據(jù)中發(fā)現(xiàn)目標(biāo)運(yùn)動(dòng)的規(guī)律”，我們提出了相對(duì)運(yùn)動(dòng)因子，有效解決了 PVT++ 的泛化問題。
- 為引入跟蹤器已有的視覺特征實(shí)現(xiàn)穩(wěn)定預(yù)測(cè)，我們?cè)O(shè)計(jì)了輔助分支和聯(lián)合訓(xùn)練機(jī)制，不僅有效利用了跟蹤器的視覺知識(shí)而且節(jié)省了計(jì)算資源。
-
除了 PVT++ 方法，我們還提出了能夠進(jìn)一步量化跟蹤器性能的的新型評(píng)估指標(biāo)e-LAE，該指標(biāo)不僅實(shí)現(xiàn)了考慮延遲的評(píng)估，而且可以區(qū)分實(shí)時(shí)的跟蹤器。
方法介紹
為了將整個(gè)問題用嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)公式成體系地定義出來，我們花了很多時(shí)間反復(fù)打磨 PVT++ 的方法部分?jǐn)⑹觯欢豢杀苊夥?hào)偏多結(jié)構(gòu)也比較復(fù)雜（被 reviewer 們多次吐槽...），讀起來有些晦澀難懂容易 lost，在此僅提供一些我 intuitive 的想法，以方便讀者能夠更快理解文章的核心思想。
3.1 e-LAE 評(píng)估指標(biāo)
與“離線”設(shè)定不同，“在線”跟蹤（LAE）依照算法實(shí)際部署的情況設(shè)計(jì)，具體而言，其遵循以下兩條原則：1. 運(yùn)行時(shí)，方法只能處理“最新”的一幀，而非連續(xù)的每一幀。如圖三的時(shí)間軸所示，假設(shè)世界時(shí)間軸為 ，當(dāng)算法處理第 幀結(jié)束時(shí)的世界時(shí)間位于 后一點(diǎn)（這里看圖中上方的算法時(shí)間戳 ），那么此時(shí)的“最新”幀為第二幀，算法的下一幀輸入即為第 2 幀，同理，算法的再下一輸入幀為第 5 幀，可以發(fā)現(xiàn)這樣第 1，3，4 幀由于算法延遲被跳過。2. 評(píng)估時(shí)，選取跟蹤器在對(duì)應(yīng)幀的世界時(shí)刻能給出的“最新”的結(jié)果進(jìn)行評(píng)估。如圖三所示（這里看圖中下方的算法時(shí)間戳 ），假設(shè)我們要評(píng)估第 1 幀的結(jié)果，在世界位于第 1 幀時(shí)，算法其實(shí)并沒有處理完第一幀，故而只能使用“最新”的第 幀的輸出結(jié)果進(jìn)行評(píng)估。
類似的評(píng)估方式最早被提出于 ECCV2020 “Towards Streaming Perception”，在以前的研究 PVT 中，我們針對(duì)跟蹤算法做了上述調(diào)整。
然而，這樣的評(píng)估方式有一個(gè)缺陷，假設(shè)算法速度快于世界幀率（例如圖三下方的算法時(shí)間戳），無論算法有多快，評(píng)估時(shí)的算法滯后永遠(yuǎn)是一幀。換言之，假設(shè)有兩個(gè)精度一樣的跟蹤器 A 與 B，A 的速度 > B > 世界幀率，那么這樣的評(píng)估指標(biāo)得到的 A，B 的結(jié)果是一樣的，這樣以來，LAE 便無法將實(shí)時(shí)跟蹤器的速度納入評(píng)估中，無法對(duì)實(shí)時(shí)跟蹤器進(jìn)行有效比較。 為此，我們?cè)O(shè)計(jì)了擴(kuò)展版 LAE（e-LAE）。e-LAE 并不要求算法“立刻”給出當(dāng)前幀的最新結(jié)果，而是允許一個(gè)一幀內(nèi)的延遲閾值 ，評(píng)估第 幀時(shí)，只需給出 時(shí)的最新結(jié)果即可。可以想象到當(dāng) 從 0 逐漸增大到 1 時(shí)，實(shí)時(shí)跟蹤器會(huì)慢慢從“在線”結(jié)果變?yōu)椤半x線”結(jié)果（實(shí)際結(jié)果從小變大），而跟蹤器越快（延遲越小），其對(duì)應(yīng)的臨界 也就越小。 利用這一點(diǎn)，我們使用 的 精度 ?精度 曲線下面積表示結(jié)果。這樣再次考慮之前的例子，A 的速度快，它便能在 較小時(shí)變?yōu)閿?shù)值更大的“離線”結(jié)果，這樣的曲線下面積也就大于跟蹤器 B，e-LAE 便能成功區(qū)分兩個(gè)精度一樣速度不同的實(shí)時(shí)跟蹤器了。 基于 e-LAE，我們?cè)跈C(jī)器人平臺(tái) AGX Xavier 上進(jìn)行了眾多跟蹤器詳盡的實(shí)驗(yàn)，涉及 17 個(gè)跟蹤器，三個(gè)數(shù)據(jù)集，詳見原文圖五，e-LAE 可以區(qū)分一些精度接近而速度有一些差距的實(shí)時(shí)跟蹤器，如 HiFT 與 SiamAPN++（原文 Remark 2）。我們正在進(jìn)一步檢查所有結(jié)果，最終確認(rèn)后也會(huì)將評(píng)估的原始結(jié)果開源。
3.2 PVT++
無論算法的速度有多快，其延遲總存在，故而我們?cè)O(shè)計(jì)了端對(duì)端預(yù)測(cè)性跟蹤框架彌補(bǔ)延遲。如圖三（a）所示，PVT++ 的結(jié)構(gòu)非常直觀簡(jiǎn)單，跟蹤器模塊即普通的已有的（基于深度學(xué)習(xí)的）跟蹤算法，預(yù)測(cè)器接受跟蹤器輸出的歷史運(yùn)動(dòng) ，跟蹤器的歷史視覺特征 ，以及預(yù)設(shè)的落后幀數(shù) 作為輸入，輸出未來幀的目標(biāo)位置。
PVT++ 的結(jié)構(gòu)看上去雖然簡(jiǎn)單直觀，但使用離線數(shù)據(jù)訓(xùn)練這一套框架使之協(xié)助在線無人機(jī)跟蹤并非易事，其獨(dú)道之處在于以下三點(diǎn)：
相對(duì)運(yùn)動(dòng)因子：我們發(fā)現(xiàn)訓(xùn)練 PVT++ 會(huì)遇到一個(gè)核心問題，訓(xùn)練集與測(cè)試集的域差距。試想，如果用于訓(xùn)練 PVT++ 的數(shù)據(jù)來自 VID，LaSOT，GOT10k 這些目標(biāo)運(yùn)動(dòng)尺度較小，方向速度較規(guī)律的數(shù)據(jù)集，PVT++ 自然會(huì)嘗試擬合這些運(yùn)動(dòng)規(guī)律而難以泛化到目標(biāo)運(yùn)動(dòng)更復(fù)雜，尺度更大的無人機(jī)跟蹤場(chǎng)景。為了解決這一問題，我們將 PVT++ 的訓(xùn)練目標(biāo)改為學(xué)習(xí)/擬合特殊設(shè)計(jì)的相對(duì)運(yùn)動(dòng)因子，即原文公式（4）：
這里 可以簡(jiǎn)單理解為過去幾幀的平均速度，在左側(cè)的公式中，我們可以先假設(shè)目標(biāo)是勻速運(yùn)動(dòng)的，即未來幀的相對(duì)位置變化正比于未來幀的時(shí)間間隔和平均速度，此后我們的神經(jīng)網(wǎng)絡(luò)只需要在這一假設(shè)上做出調(diào)整即為未來的真實(shí)運(yùn)動(dòng)。這一設(shè)計(jì)也就使得預(yù)測(cè)器需要學(xué)習(xí)的東西是“相對(duì)于勻速運(yùn)動(dòng)假設(shè)的偏差值”，即相對(duì)運(yùn)動(dòng)因子，而非絕對(duì)的運(yùn)動(dòng)值。
我們發(fā)現(xiàn)這一預(yù)測(cè)目標(biāo)在大多數(shù)時(shí)候與目標(biāo)的絕對(duì)運(yùn)動(dòng)是無關(guān)的，故而訓(xùn)練出的網(wǎng)絡(luò)也就不易擬合訓(xùn)練集中的絕對(duì)運(yùn)動(dòng)，有著更好的泛化性。這一設(shè)計(jì)是 PVT++ 能 work 的核心原因。預(yù)測(cè)器輸出的相對(duì)運(yùn)動(dòng)會(huì)用于后續(xù)設(shè)計(jì)與真值的 L1 損失作為訓(xùn)練損失函數(shù)。
輕量化預(yù)測(cè)器結(jié)構(gòu)：另一個(gè)問題是，預(yù)測(cè)器本身必須足夠輕量才能避免預(yù)測(cè)模塊引入額外的延遲，否則會(huì)導(dǎo)致整個(gè)系統(tǒng)失效。為此，我們?cè)O(shè)計(jì)了輕量有效的網(wǎng)絡(luò)架構(gòu)，包含 encoder - interaction - decoder 三部分，并能兼容運(yùn)動(dòng)軌跡信息與視覺特征，具體如圖四，其中大多數(shù)網(wǎng)絡(luò)層都可以有著非常小的通道數(shù)以實(shí)現(xiàn)極低的延遲（詳見原文表 3）。此外，我們預(yù)測(cè)器的設(shè)計(jì)也最大程度上復(fù)用了跟蹤器能提供的視覺特征，因此節(jié)省了提取視覺特征所需要的計(jì)算資源。
▲ 圖四. PVT++ 中預(yù)測(cè)器的輕量化網(wǎng)絡(luò)架構(gòu)。
如何有效利用跟蹤器已有的視覺特征：最后，為了使輕量的預(yù)測(cè)器做出穩(wěn)健的預(yù)測(cè)，我們?cè)O(shè)計(jì)了一系列訓(xùn)練策略使得參數(shù)量很少的預(yù)測(cè)器有效利用（較大型）預(yù)訓(xùn)練跟蹤器的能提供的魯棒視覺表征。具體而言，我們發(fā)現(xiàn)以下兩點(diǎn)設(shè)計(jì)尤為重要：
- 輔助分支：預(yù)測(cè)器的視覺分支（圖四（b））需要當(dāng)前的相對(duì)運(yùn)動(dòng)信息作為監(jiān)督信號(hào)（圖四的虛線框部分）才能用于預(yù)測(cè)未來的運(yùn)動(dòng)。詳見原文 5.3 節(jié)。
-
聯(lián)合訓(xùn)練：在訓(xùn)練 PVT++ 時(shí)，跟蹤器模塊需要在早期的訓(xùn)練 epoch 中以較小的學(xué)習(xí)率聯(lián)合預(yù)測(cè)器一起訓(xùn)練，進(jìn)而使視覺特征既適用跟蹤器做定位，又適合預(yù)測(cè)器做預(yù)測(cè)。詳見附錄 B 中的訓(xùn)練設(shè)定與我們的開源代碼。
實(shí)驗(yàn)部分
全文的實(shí)驗(yàn)設(shè)計(jì)包括 e-LAE 的評(píng)估（原文圖五）與 PVT++ 的效果、分析兩部分，在這里著重介紹 PVT++ 有關(guān)的實(shí)驗(yàn)。4.1 設(shè)置
為了公平比較基線跟蹤器，PVT++ 采用與他們訓(xùn)練相同的 LaSOT+GOT10k+VID 作為訓(xùn)練集（均為視頻）（實(shí)際上僅用 VID 也可以取得較好效果，詳見附錄 L）。具體而言，我們直接加載了跟蹤器原作者提供的模型參數(shù)作為我們的跟蹤器模塊，再使用離線數(shù)據(jù)訓(xùn)練 PVT++。 評(píng)估時(shí)我們使用了四個(gè)無人機(jī)跟蹤權(quán)威數(shù)據(jù)集 DTB70，UAVDT，UAV20 L 以及 UAV123，廣泛驗(yàn)證了 PVT++ 的泛化性。4.2 整體效果
▲ 表一
PVT++ 的整體效果如表一所示，我們共將四個(gè)跟蹤器轉(zhuǎn)化為了預(yù)測(cè)性跟蹤器，在四個(gè)無人機(jī)跟蹤數(shù)據(jù)集中，PVT++ 能起到廣泛而顯著的效果。可以發(fā)現(xiàn) PVT++ 在某些場(chǎng)景下能達(dá)到超過 60% 的提升，甚至與跟蹤器的離線效果相當(dāng)。另外我們也發(fā)現(xiàn)并不是所有的情況下視覺信息都是有效可靠的，例如在 DTB70 中，僅用 PVT++ 的 motion 分支也可以起到一定的效果。4.3 消融實(shí)驗(yàn)
4.4 與其他方法對(duì)比
4.5 可視化
▲ 圖五. PVT++與卡爾曼濾波的可視化對(duì)比 在圖五中的三個(gè)序列中，我們發(fā)現(xiàn)卡爾曼濾波預(yù)測(cè)器很難處理目標(biāo)平面內(nèi)旋轉(zhuǎn)以及無人機(jī)視角變化的情況，在這些挑戰(zhàn)中，引入視覺信息進(jìn)行目標(biāo)尺度預(yù)測(cè)是尤為有效的。 另外本文也進(jìn)行了更為詳盡的實(shí)驗(yàn)，如屬性分析、與其他運(yùn)動(dòng)預(yù)測(cè)方法（如 NEXT）的對(duì)比、PVT++ 作用在最新的基于 transformer 的跟蹤器等，歡迎大家參閱我們的附錄。局限性與討論
PVT++ 的局限性在于兩點(diǎn)：- 預(yù)測(cè)器使用的視覺特征并不總是魯棒，我們發(fā)現(xiàn)在 DTB70 這類目標(biāo)運(yùn)動(dòng)速度很快導(dǎo)致圖片模糊/目標(biāo)出視野，但目標(biāo)運(yùn)動(dòng)本身很規(guī)律的數(shù)據(jù)集中其實(shí)單靠運(yùn)動(dòng)分支就可以起到很好的效果。
-
訓(xùn)練策略有些復(fù)雜，特別是聯(lián)合訓(xùn)練時(shí)跟蹤器模塊在早期 epoch 用較小學(xué)習(xí)率微調(diào)這一些細(xì)節(jié)我們嘗試了很多次實(shí)驗(yàn)才發(fā)現(xiàn)。
原文標(biāo)題：PVT++：通用的端對(duì)端預(yù)測(cè)性跟蹤框架
文章出處：【微信公眾號(hào)：智能感知與物聯(lián)網(wǎng)技術(shù)研究所】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請(qǐng)聯(lián)系本站處理。
舉報(bào)投訴
-
物聯(lián)網(wǎng)
+關(guān)注
關(guān)注
2913文章
44929瀏覽量
377063
原文標(biāo)題：PVT++：通用的端對(duì)端預(yù)測(cè)性跟蹤框架
文章出處：【微信號(hào)：tyutcsplab，微信公眾號(hào)：智能感知與物聯(lián)網(wǎng)技術(shù)研究所】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
端到端在自動(dòng)泊車的應(yīng)用
與城市環(huán)境的復(fù)雜性和高速公路駕駛的風(fēng)險(xiǎn)相比，停車場(chǎng)景的特點(diǎn)是低速、空間有限和高可控性。這些特點(diǎn)為在車輛中逐步部署端到端自動(dòng)駕駛能力提供了可行的途徑。最重要的是自動(dòng)泊車對(duì)時(shí)間不敏感，而自
爆火的端到端如何加速智駕落地？
編者語：「智駕最前沿」微信公眾號(hào)后臺(tái)回復(fù)：C-0551，獲取本文參考報(bào)告：《智能汽車端到端技術(shù)研究報(bào)告》pdf下載方式。 “端到端”無疑是2024年自動(dòng)駕駛行業(yè)最火熱的一個(gè)詞了！（相關(guān)
基于視覺語言模型的導(dǎo)航框架VLMnav
本文提出了一種將視覺語言模型（VLM）轉(zhuǎn)換為端到端導(dǎo)航策略的具體框架。不依賴于感知、規(guī)劃和控制之間的分離，而是使用VLM在一步中直接選擇動(dòng)作。驚訝的是，我們發(fā)現(xiàn)VLM可以作為一種無需任何微調(diào)或?qū)Ш綌?shù)據(jù)的
端到端InfiniBand網(wǎng)絡(luò)解決LLM訓(xùn)練瓶頸
ChatGPT對(duì)技術(shù)的影響引發(fā)了對(duì)人工智能未來的預(yù)測(cè)，尤其是多模態(tài)技術(shù)的關(guān)注。OpenAI推出了具有突破性的多模態(tài)模型GPT-4，使各個(gè)領(lǐng)域取得了顯著的發(fā)展。 這些AI進(jìn)步是通過大規(guī)模模型訓(xùn)練實(shí)現(xiàn)
放大器單端雙端輸出的區(qū)別
放大器是電子學(xué)中的一種重要設(shè)備，用于增強(qiáng)信號(hào)的幅度。在放大器的設(shè)計(jì)和應(yīng)用中，單端輸出和雙端輸出是兩種常見的輸出方式。這兩種方式各有特點(diǎn)和應(yīng)用場(chǎng)景。 1. 單端輸出放大器 1.1 定義 單端
單端功放和雙端的區(qū)別是什么
單端功放和雙端功放是兩種不同的音頻放大器設(shè)計(jì)，它們?cè)诮Y(jié)構(gòu)、性能和應(yīng)用方面都有各自的特點(diǎn)。以下是對(duì)這兩種功放的比較： 1. 定義與基本原理 單端功放（Single-Ended Amplifier
揭秘動(dòng)態(tài)化跨端框架在鴻蒙系統(tǒng)下的高性能解決方案
作者：京東科技 胡大海 前言 動(dòng)態(tài)化跨端框架 （后文統(tǒng)稱“ 動(dòng)態(tài)化” ） 是一個(gè)由京東金融大前端團(tuán)隊(duì)全自主研發(fā)的，一份代碼，可以在 HarmonyOS、 iOS、Android、Web四端運(yùn)行的跨
端到端測(cè)試用例怎么寫
測(cè)試方法，旨在驗(yàn)證整個(gè)應(yīng)用程序從前端到后端的流程是否能夠按照預(yù)期工作。它涉及多個(gè)系統(tǒng)組件和接口的交互，確保業(yè)務(wù)流程的完整性和正確性。 二、編寫端到端測(cè)試用例的步驟 需求分析 理解業(yè)務(wù)流
四端電阻的電流端和電壓端是如何區(qū)分的
四端電阻，又稱為四端測(cè)量電阻或凱爾文電阻，是一種特殊的電阻器，主要用于精密測(cè)量電路中的電阻值。四端電阻的電流端和電壓端的區(qū)分對(duì)于測(cè)量的準(zhǔn)確
單端輸入和雙端輸入的區(qū)別是什么
單端輸入和雙端輸入是電子電路設(shè)計(jì)中的兩種不同的輸入方式。它們?cè)陔娐吩O(shè)計(jì)、性能和應(yīng)用方面存在一些關(guān)鍵的區(qū)別 單端輸入 單端輸入是一種常見的輸入方式，它使用單個(gè)輸入信號(hào)來驅(qū)動(dòng)電路。在單
比較器輸入端和輸出端的關(guān)系
比較器是一種電子設(shè)備，用于比較兩個(gè)電壓或電流信號(hào)的大小。比較器的輸入端和輸出端之間的關(guān)系是其核心功能之一。 比較器的基本原理 比較器是一種模擬電路，其基本原理是將兩個(gè)輸入信號(hào)進(jìn)行比較，并根據(jù)比較結(jié)果
服務(wù)端測(cè)試和客戶端測(cè)試區(qū)別在哪
主要針對(duì)服務(wù)器端的軟件進(jìn)行測(cè)試，包括服務(wù)器端的應(yīng)用程序、數(shù)據(jù)庫、中間件等。服務(wù)端測(cè)試的目的是確保服務(wù)器端軟件的穩(wěn)定性、性能、安全性和可靠
ZETA端智能?紅牛：助力國際飲料巨頭實(shí)現(xiàn)生產(chǎn)設(shè)備預(yù)測(cè)性維護(hù)
為了更好地實(shí)現(xiàn)設(shè)備的預(yù)測(cè)性維護(hù)，紅牛在泰國等地的工廠選擇了基于ZETA端智能的預(yù)測(cè)性維護(hù)方案，實(shí)現(xiàn)其工廠設(shè)備的監(jiān)測(cè)與管理，提升運(yùn)營效率。
理想汽車自動(dòng)駕駛端到端模型實(shí)現(xiàn)
理想汽車在感知、跟蹤、預(yù)測(cè)、決策和規(guī)劃等方面都進(jìn)行了模型化，最終實(shí)現(xiàn)了端到端的模型。這種模型不僅完全模型化，還能夠虛擬化，即在模擬環(huán)境中進(jìn)行訓(xùn)練和測(cè)試。
發(fā)表于 04-12 12:17
?504次閱讀
端到端模型卷入智駕圈 周光：今年上車！
讓AI像人類司機(jī)一樣開車，今年就能做到。 ? 3月17日，在中國電動(dòng)汽車百人會(huì)汽車新質(zhì)生產(chǎn)力論壇上，元戎啟行CEO周光表示，智能駕駛端到端模型將會(huì)成就一位“超級(jí)AI司機(jī)”，開啟物理世界通用
發(fā)表于 03-18 11:17
?564次閱讀
工商網(wǎng)監(jiān)
評(píng)論