抽象的
我们利用自动分化（AD）和概率编程来开发用于大量未知对象的批量三角扫描的端到端优化算法。给出从没有深度信息的嘈杂地理位置的街道级别图像中提取的噪声检测，我们共同估计了不同类型对象的数量和位置，以及传感器噪声特性的参数以及在侧面信息上调节的物体的前提分配。整个算法被帧为嵌套随机变分推理。内循环通过循环信仰传播解决软数据关联问题;中间循环使用正则化的牛顿求解器（利用广告框架）执行软EM聚类;通过内部环路训练全局参数的外循环反向。我们将前瞻放在传感器参数上，以了解不同的流量对象类型，并用更丰富的引导者展示纳入环境的知识的改进。
我们测试我们的算法关于车辆与安装相机观察的道路标志的算法，尽管在实践中，这种技术可用于任何地理标记图像。通过神经图像检测器和分类器提取检测，并且我们独立地三角化每种类型的符号（例如，停止，交通灯）。我们发现我们的模型比当前方法更加强大，而不是当前方法，横跨符号类型拓展，并且可以使用几何信息来提高精度。我们的算法基于K-Means集群的当前生产基线优于我们的当前生产基线。我们显示变分推理培训允许通过学习符号特定参数的泛化。
作者
朱兰·陈辰，Fritz Obermeyer.，Vladimir Lyapunov，Lionel Gueguen.那诺亚·诺曼
会议
2018年
全文
优步AI.
注释