智能汽车目标识别方法的研究



智能汽车目标识别方法的研究

探讨了一种更高的抽象层次的学习方法，即系统级学习方法。该方法源于人类和灵长类动物处理信息的模式，这种模式更加强调更高的抽象层次的处理过程。该模式甚至违反直觉地认为新概念学习可以在较高的抽象层次上开始，形成的新概念在处理层次结构中以自上而下的方式传播。从实用的角度来看，系统级的学习具有良好的性能，对学习算法进行操作的数据是低维的，而且前处理阶段数据不受噪声的影响。

在复杂环境和不良处理条件下，通过显示检测对象具体值的方式来汇总信息。所提出的方法可以通过各种方式进行扩展，从而尽可能地将所有可用的信息来源应用到智能汽车中。智能汽车目标识别方法研究的内容如下：①将额外的传感器应用到系统级的学习理念中，作为假设的信息来源；②只使用预定义的系统级数量（SLQs）没有实际意义，添加了一个额外的学习层，可以得出有意义的系统级数量，将被测物体的距离与视网膜对物理对象的大小很好地结合；③将实际世界的感知系统代表人类行为特征。

刊名：Neurocomputing（英）

刊期：2012年第94期

作者：Alexander Gepperth et al

编译：王维