betway必威登录|必威体育官网注册|必威体育官方首页

必威体育官网注册

JC败给WE后无缘季后赛纵情韩信再现“经典偷家”以后恐难再见

thurrockfc.com

首先恭喜WE3比2战胜JC,成功拿到了赛季第七胜,目前WE也是有很大希望可以争夺西部季后赛胜者组的!不得不感慨,这赛季的西部赛区竞争是真的激烈,堪比2018年KPL春季赛的东部赛区了。而遗憾的是,JC战队再度决胜局败北了。虽然现在理论上JC还有进入季后赛的希望,但是其实仔细算下来,真的就只剩下理论的可能了。提前宣告JC无缘季后赛也就是下一周的事情了,即便是接下来JC剩余的比赛全胜也很难进入季后赛了。

如果说波士顿和硅谷,由于气候和路况上的巨大差异,在一年的任何时候,都可以被系统标记为不同的域,可以通过不同的模型来解决。那么面对高度相似域,比如同样是城市街景,但北京和重庆却有着不同的道路设计,难度于是再一次升级了。

去年创下融资纪录的RoadStar.ai星行科技死于内讧,成为第一家倒下的无人车公司;苹果自动驾驶部门裁员190人,无人车数量减少到62辆;有吴恩达背景的美国自动驾驶创业公司Drive.ai上个月也传出了“卖身”的消息。

二是有限的变化性。通过标注好的训练数据集所学会的策略,往往只能应对特定的环境和物理系统。而真实的世界常常会遇到动态变化,比如异常光线、特殊气候现象等等,这些都会改变域属性并让无人车不知所措。

当前,“互联网+”时代的到来,对物联网的应用提出了强烈需求。闫怀志认为,我国推进IPv6与物联网的结合,应在“需求牵引”的利好形势下,加速“技术推动”,牢牢抓住IPv6的发展契机,以物联网的发展为依托,大力加快IPv6取代IPv4的进程。同时,应充分发挥IPv6在地址空间充足、节点冗余性强、移动性好的优势,使之成为物联网应用的核心基础网络技术。

那么,域适应对自动驾驶的安全问题究竟有多重要?我们通过一篇文章来抢先了解一下。

既然“域适应”对于无人驾驶来说如此重要,那么目前究竟有哪些比较值得一览的算法呢?

其实上场比赛JC战队输了之后呢,JC的选手们如青浪以及纵情就有发过微博暗示很有可能这是他们最后一个赛季相聚了(聚是一坨S,散是满天星)。所以看得出来他们今天是很放开来打了,都纷纷掏出自己最擅长最喜欢的英雄。像这赛季WE、XQ等等战队在经历了阵容重组之后,都取得了不错的效果,所以JC战队很有可能接下来也会重组了。换句话说就是JC战队的两大招牌青浪的貂蝉以及纵情的韩信,恐怕很难很难再见到了!

三是社会舆论的高风险性。要让无人车系统从失败中吸取经验,首先,它要先犯错。但这在目前普通居民对无人车安全非常担忧的大环境下,无人车碰撞、剐蹭、识别太慢等问题都会被拿出来质疑,再采用依靠事故数据来学习如何避免错误的方法无疑是灾难性的。

以往在计算机视觉、机器学习等领域的顶级会议中,关于域适应的研究都集中在图像分类和语义分割方面,很少看到实例级任务上的应用,如目标检测及跟踪,尽管它们对于无人驾驶来说更加重要。

现在看到“无人驾驶”这四个字,绝大多数人会想到什么?圈内人可能会觉得“凉”,而普通民众则是“反感”。

“IPv6与物联网二者‘联姻’,是大势所趋、不可阻挡,但从实际普及进展来看,还存在诸多困难和挑战。首先,将IPv6应用于物联网,其高昂的成本就是第一只拦路虎。其次,现有大量物联网设备应用的都是IPv4协议系统,因此必须使其能同时兼容IPv6和IPv4。”北京志通天下科技有限公司网络事业部总监曾佳说。

说了这么多,不难看出域自适应性学习本质上和人类的学习模式极为相似:在课堂上学习前人总结好的科学知识,然后在与现实的交流过程中不断扩充新的知识并进行探索,完成对复杂事物的认知,从而达到自主学习、适应新科目的目的。

设备以单独IP地址直接连入网络,需要占用大量的地址空间。在IPv4时代,因地址数量有限,相关技术人员多采用NAT(Network Address Translation,网络地址转换)技术来解决网络地址不足的问题。即通过NAT给用户分配内网地址而非公网地址,从而将使用NAT技术的设备“隐藏”起来。外界无法看到该设备的内网地址,只有通过NAT转换才能连上内网设备,由此可以有效降低来自网络外部的攻击风险。

在闫怀志看来,目前IPv6大规模应用还处在试点阶段,此时正是蹒跚学步的IPv6“牵手”物联网的好时候。

此外,国家还可以在条件基本具备的领域或地区建立“IPv6+物联网”应用试点,培育形成示范效应,并将可复制的成功经验,逐步向全行业、全国推广。在这个过程中,还应主动推动工业互联网、云计算、大数据、人工智能以及网络空间安全等新技术与“IPv6+物联网应用”的深度融合,形成中国信息高科技领域良性互动、永续发展的生动局面。

那么事实真是如此吗?由此可能会产生哪些危险?针对这些问题,科技日报记者采访了相关专家。

以往的解决方案是“吃一堑,长一智”。收集训练集(包括失败范例)的数据,提取特征,然后让机器依据经验误差最小准则学习分类器。但这样容易产生三个问题:

同时,传统的“IPv4地址+NAT”解决方案仍有较大的市场空间。利用NAT技术,即便不使用IPv6,企业、学校等机构也能使其物联网设备连网,无需为其分配公网IP。“接入IPv6,前期需要一笔不小的投入,大家都想少花钱、多办事,因此会有更多人愿意选择原有的NAT技术。”闫怀志说。

那么,为什么会出现这些推广和普及方面的障碍呢?

在确保模型可以对目标域进行学习之后,就需要解决域适应学习有效性的问题了。

1.自适应曝光算法。

尽管无人驾驶测试车的上路里程和接管数据都越来越漂亮,但对于机器学习模型来说,如何在新的、未知的环境中也能和测试道路上表现的一样优秀,这仍然是一个公开的难题。

从技术上看,为降低落地难度,可以因地制宜,针对不同情况采取不同方案。比如,采用“本地+IPv6互联”方式,本地物联网设备互联仍采用现有技术,而在大范围联网时采用IPv6技术。条件具备时,可改进IPv6路由机制,将IPv6直接延伸至本地物联网,使其满足低算力、低功耗、低容量的物联网环境组网需求。

3.多源域数据迁移算法。

3.统计估计的一致性。

“虽然IPv6与物联网的结合应用还存在诸多问题和困难,但这些都可以通过不断完善来解决。推进IPv6在物联网应用领域的落地工作,既有必要又有可能。”闫怀志说。

在解释“域适应”之前,有必要先搞清楚,现在的自动驾驶技术都在头痛哪些问题。

归根结底,“域自适应”方法不仅降低了训练风险,也有效地提升了系统的学习性能。从这个角度想,就更期待在CVPR 2019挑战赛中见到新的黑马了!

论自动驾驶的倒掉与重生

就在前两天,有研究人员通过在路上贴贴纸之类的“物理攻击”就让特斯拉的自动驾驶汽车并入了反向车道,甚至还能在没有车主授权的状态下用Xbox 游戏手柄操控。

具体的做法是,利用共享特征网络,对所有源域以及目标域进行特征建模,然后利用多路对抗域适应技术(类似于GAN生成器),每个源域分别与目标域进行两两组合对抗,以此明确学习域的不变特征,极大程度地降低系统因数据偏差而对环境进行误判。

按照伯克利的规划,这次挑战将集中在目标检测与目标跟踪任务的域适应上,并能够在中美的不同城市场景中实现自动迁移。

商汤的研究人员提出了一种名为“鸡尾酒”的网络,以解决将知识从多源域的数据向目标域迁移的问题,来帮助无人车模型更有效地识别新环境。

显然,我们需要借助其他方法来调教无人车,来减少它在陌生环境中失败的次数。“域自适应”就是其中之一。

“IPv6极大地拓展了地址空间,地址数量够用了,也就无需再使用NAT技术了。每台物联网设备均可配有独立的公网地址,以供公网直接访问。”北京理工大学网络攻防对抗技术研究所所长闫怀志告诉科技日报记者,原本在IPv4环境中“隐蔽”在NAT技术下的物联网设备,在采用IPv6后,就会以公网地址示人了。因此,这确实有可能导致物联网设备暴露数量的剧增。同时,在拥有公网地址后,物联网设备地址变化的可能性大大降低,这也为攻击者持续跟踪分析提供了便利。

举个例子,自动驾驶汽车可以利用在硅谷的道路测试数据集训练出一个表现良好的无人车模型。然而,同样的模型如果被部署在波士顿这样多雪天气的地区,就可能表现得很糟糕,因为机器以前从来没有见过雪。如何在差异化的环境中进行有效的自主操作,复用自己学到的经验,这仍然是机器学习的一个难点。

“大规模应用试点阶段是难得的‘磨合期’,正好可从顶层架构来设计IPv6与物联网的深度融合。物联网万物互联的理念和IPv6地址充足的特点,决定了二者紧密结合的趋势不可逆转。物联网需要IPv6的支持,反过来物联网的普及又必将对IPv6的发展产生巨大的推动作用。”他说。

现阶段是难得的“磨合期”

产业之所以受挫,实在是因为无人车的安全性难以完全说服民众。

这一场比赛,最最经典肯定是第四小局比赛了,纵情的韩信再度天秀,把队伍拖进了决胜局了!而且这一小局比赛他的韩信再现经典偷家场面啊,让人仿佛梦回2017年,纵情韩信一个人带着超级兵线,在队友们的掩护之下,成功偷掉了WE的水晶,看着真心让人热血沸腾!不过一想到可能下赛季就再也见不到这样子的韩信了,又不禁有些伤感失落!

如何尽可能地复用它在源域数据集中得到的先验知识,尽可能准确地对目标域物体实现检测、跟踪等学习任务,就成为无人车模型要面临的一大问题。

前面提到,不同城市和路面环境的光线强弱都是不同的,为保证无人驾驶车辆在各种光线环境都能够获取可靠的道路信息,有研究人员提出了一种自适应曝光算法。利用光学传感器将采集图像转化为灰度值,并逐行进行动态阈值比对处理,快速获取下一周期正确曝光点。在道路实际的测试中,该算法能够快速并有效获取道路信息,后续的边界处理较为清晰。

一个是目标域(target domain)表示测试样本所在的领域,无标签或者只有少量标签。当一辆无人车测试车从硅谷变换到波士顿的道路上,它面对的就是一个全新的目标域。

原理是利用已有的先验知识,比如从源域图像中学会辨识障碍物的颜色、边缘、纹理特征等等,对目标域道路上的不同车辆进行分析并快速提取出障碍物。

此外,较之传统IP网络,在闫怀志看来,物联网可能会存在更多安全隐患。“物联网设备大多属于软硬件高度耦合型系统,不仅可能存在软件缺陷,也可能存在硬件漏洞,而且设备故障可在软硬件之间传播。”闫怀志说。

二是多种源域数据间类别存在偏差。比如滴滴D-City数据集中,将注释了包围框和跟踪ID的道路对象分为12个不同的类别,而伯克利的数据集BDD100K中的GT框标签则只有10个类别。

在域自适应学习中,训练样本和测试样本之间的分布不一致,因此导致源域上训练的模型往往不适用于目标域的学习。而域自适应学习的鲁棒性则能够度量算法对训练样本改变的敏感程度,从而克服目标域泛化误差界的“扰动”。简单来说域自适应学习模型就是一枚“暖男”,对误差的包容性更强。

在此之前,这项复杂的技术还是老老实实地待在实验室和测试道路上吧。

小伙伴们,你们如何看待今天的JC,对于以后的JC有什么期望呢?欢迎下方留言评论哦!

当然,想要让“域适应”帮助无人车更有效的训练,只靠伯克利和滴滴在CVPR 2019中释放的数据集或某一场比赛还远远不够,还要为研究者提供更多元的支持,比如增强研究团队与车企的联系,围绕真实需求进行配套研发等等。

IPv6是互联网工程任务组(IETF)设计的下一代IP协议,它的提出很大程度上是为了解决IPv4网络地址资源受限问题。同时,IPv6本身将安全性作为重要的设计准则之一,客观上较IPv4的安全性更强。IPv6的应用与普及,不仅解决了网络地址资源数量受限的问题,更重要的是,它解决了此前多种设备连网的技术问题。

2.路面障碍物检测。

先解释两个关键概念:

“牵手”路上还有不少拦路虎

一是多种源域数据本身之间具有偏差,比如伯克利的数据集BDD100K覆盖了不同的时间、光照、天气和地理位置,甚至包含了GPS和IMU以及对应的时间戳信息;

普及IPv6会增加设备暴露风险

目前看来,域自适应性学习也是完成无人驾驶视觉任务成本效益较高的方式。

简单来说,就是满足哪些条件才有可能实现域自适应学习。这对模型的学习能力(算法也有学霸和学渣之分)、源域和目标域的相关性(比如硅谷和重庆的路面差异)、算法的误差界分析(源域和目标域必须同时满足最小近似误差)、学习任务的先验知识等,这四个问题的妥善解决,才能有效帮助机器进行域自适应学习。

我们再将任务分门别类梳理一下:

那么,到底什么是域自适应学习?

实际上,中国是最早成功应用IPv6的国家之一,早期曾一度实现全球领先。但由于种种原因,在2008年之后应用推广速度减缓,业内人士对我国IPv6 “起了个大早,赶了个晚集”的现状痛心不已。同时,采用“IPv4地址+NAT”方案来缓解IP地址短缺的折中方案,使得运营者和用户落入IPv4的“舒适区”中无法自拔。由于技术和市场的双重制约,IPv6生态远未形成,导致我国从IPv4向IPv6迁移进度缓慢。“这些原因,严重贻误了我国部署推广IPv6的有利先机。”闫怀志说。

今年的挑战赛中,伯克利和滴滴将分别开放了自家的超大规模驾驶视频数据集BDD100K和D-City,BDD100K包含10万个美国公开驾驶视频,D-City提供中国几大城市的超过10000个视频记录。这些数据集都被标注了好了所有道路物体,以及天气、道路和交通条件等关键对象和数据,以此催生能够改变无人驾驶安全隐忧的算法。

这方面的算法很多,比如Zielke等人利用马路边缘的对称性与显著性来提取马路边缘信息。Kuehnle等人基于图像中车轮的对称性来识别车的后轮。Crisman等人利用视觉图像中的颜色信息实现了马路跟随等等,都从不同程度提升了无人驾驶目标检测的性能。

一是域之间的迁移效果不稳定。如果训练集和测试集分布一致,则模型的迁移效果较好。如果分布不一致,在源域过拟合,目标域上则表现并不让人满意。

这些都对算法性能提出了不少挑战。在此,我们不妨列举几个具有代表性的算法,看看他们是如何解决无人驾驶相关技术难题的:

除了会增加设备“露头被打”的风险外,物联网“牵手”IPv6还有其他“甜蜜的负担”——比如廉价设备难以承载IPv6协议、高昂的设备监管成本等等。

闫怀志介绍道,传统设备很多是难以联网的“哑”设备。“这种设备即便具有联网功能,通常也只能支持IPv4。如果这些设备要用IPv6协议接入物联网,无论是利用隧道技术对其进行改造,还是在这些设备上直接添加软硬件模块,都会增加设备制造成本,也在一定程度上会阻碍物联网推广应用。”他说。

2019第一季度刚刚过去,关于无人驾驶的负面新闻层出不穷:

无人车的域自适应性学习也是同样的逻辑:先利用已有的标注数据进行初始化学习,然后在大量未标注的数据中不断依据先验知识进行样本挖掘,以增量地学习模型和适配未标注数据,从而在陌生的道路环境中也能表现良好地完成学习任务。

一是源域(source domain)表示与测试样本不同的领域,但是有丰富的标注数据。比如伯克利和滴滴的驾驶视频数据集BDD100K,以及D-City。

2017年,中共中央办公厅、国务院办公厅印发了《推进互联网协议第六版(IPv6)规模部署行动计划》,其中提到要在近年开展IPv6环境下工业互联网、物联网、云计算、大数据、人工智能等领域网络安全技术、管理及机制研究工作。

今天JC虽然输了,不过他们确实有好几场比赛打的相当精彩。就比如说第三小局拿了四惩戒加大乔的这一套体系,堪称是四惩戒套路以及大乔的融合加强版,拿的相当有想法,而且也打出来的很不错的效果。很可惜后面上高地的时候打的太过激进出现了很大必要的失误,输掉了。如果这一小局比赛拿下来了,可能最后赢的会是JC啊,可惜了。

即便是在无人车最为成熟的湾区,也有不少当地居民扎胎的扎胎,拿枪的拿枪,让人对无人驾驶的未来有点灰心。而当前景变得不再明朗的时候,或许,追求技术才是最终的续命之道。

从管理上来看,国家应出台相应的鼓励政策,在资金、生产、经营等方面给予优惠,引导网络运营商、物联网用户向“IPv6+物联网”的方向加速转移。

这往往依赖于有效的源域和目标域的概率分布判断也就是最考验机器智商的一致性分析。使用尽可能少的样本数,实现最小的误差上界。好的域自适应性学习算法是不允许“偏科”的,泛化能力得非常强才行。

1.域适应的可能性。

如今IPv4(互联网协议第4版)地址趋近枯竭,IPv6(互联网协议第6版)由于能提供充足的网络地址,因此成为全球公认的下一代互联网商业应用解决方案。然而,近日有媒体刊文称,IPv6的普及,可能会导致越来越多的物联网设备从原本的“隐蔽”状态转向“暴露”状态,整体安全风险随之增加。

目前看来,由于无人驾驶任务自身的复杂性,往往需要 从多数据源向目标域进行迁移学习,这就必须考虑两个难题:

Back to top