【導讀】在未來的某個時候，人們必定能夠相對自如地運用人工智能，安全地駕車出行。這個時刻何時到來我無法預見；但我相信，彼時“智能”會顯現(xiàn)出更“切實”的意義。
與此同時，通過深度學習方法，人工智能的實際應用能夠在汽車安全系統(tǒng)的發(fā)展進步中發(fā)揮重要的作用。而這些系統(tǒng)遠不止僅供典型消費者群體掌握和使用。
深度學習這一概念在幾十年前就已提出，但如今它與特定的應用程序、技術以及通用計算平臺上的可用性能更密切相關。深度學習的“深度”層面源于輸入層和輸出層之間實現(xiàn)的隱含層數(shù)目，隱含層利用數(shù)學方法處理（篩選/卷積）各層之間的數(shù)據(jù)，從而得出最終結果。在視覺系統(tǒng)中，深度（vs.寬度）網(wǎng)絡傾向于利用已識別的特征，通過構建更深的網(wǎng)絡最終來實現(xiàn)更通用的識別。這些多層的優(yōu)點是各種抽象層次的學習特征。
例如，若訓練深度卷積神經(jīng)網(wǎng)絡（CNN）來對圖像進行分類，則第一層學習識別邊緣等最基本的東西。下一層學習識別成形的邊緣的集合。后續(xù)圖層學習識別諸如眼或鼻這樣的形狀的集合，而最后一層將學習甚至更高階（如面部）的特征。多層更擅長進行歸納，因為它們可以學習原始數(shù)據(jù)和高級分類之間的所有中間特征。如圖1所示，這種跨越多層的歸納對于最終用例是有利的，如對交通標志進行分類，或者盡管存在墨鏡、帽子和/或其他類型的障礙物，也可能識別特定面部。
圖 1：簡易交通標志示例
深度學習的“學習”層面源于對分層網(wǎng)絡如何在給定大量已知輸入及其期望輸出的情況下產(chǎn)生更準確結果（圖2）所需的訓練（反向傳播）的迭代。這種學習減少了那些迭代產(chǎn)生的錯誤，并最終獲得分層函數(shù)的結果，以滿足整體系統(tǒng)需求，并為目標應用程序提供極其穩(wěn)健的解決方案。這種學習/分層/互連類型類似于生物神經(jīng)系統(tǒng)，因此支持人工智能的概念。
圖 2：簡易反向傳播示例
盡管深度學習具有效力，但其在實際應用中也遇到了一些挑戰(zhàn)。對于容易受到系統(tǒng)限制因素（如總體成本、功耗和擴展計算能力）影響的嵌入式應用程序而言，在設計支持深度學習功能的系統(tǒng)時必須考慮這些限制因素。開發(fā)人員可以使用前端工具，如Caffe（最初由加州大學伯克利分校開發(fā)的深度學習框架）或TensorFlow（谷歌的發(fā)明）來開發(fā)總網(wǎng)絡、層和相應的功能，以及目標最終結果的培訓和驗證。完成此操作后，針對嵌入式處理器的工具可將前端工具的輸出轉換為可在該嵌入式器件上或該嵌入式器件中執(zhí)行的軟件。
TI深度學習（TIDL）框架（圖3）支持在TI TDAx汽車處理器上運行的深度學習/基于CNN的應用程序，以在高效的嵌入式平臺上提供極具吸引力的高級駕駛輔助系統(tǒng)（ADAS）功能。
圖 3：TIDL框架（TI器件轉換器和深度學習庫）
TIDL框架為軟件可擴展性提供快速嵌入式開發(fā)和平臺抽象；在TI硬件上實現(xiàn)用于加速CNN的高度優(yōu)化的內核，以及支持從開放框架（如Caffe和TensorFlow）到使用TIDL應用程序編程界面的嵌入式框架進行網(wǎng)絡轉換的轉換器。
有關此解決方案的更多詳細信息，請閱讀白皮書“TIDL：嵌入式低功耗深度學習，” 并查看其它資源中的視頻。
其他資源：
● 觀看基于深度學習的語義分割的現(xiàn)場演示：
● 嵌入式視覺聯(lián)盟的現(xiàn)場演示.
● 在TDA處理器上.
● TDA2和TDA3處理器上的EuroNCAP前置攝像頭。
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯(lián)系小編進行處理。
推薦閱讀：
