基于深度卷积神经网络的 ImageNet 分类
ImageNet Classification with Deep Convolutional Neural Networks
深度卷积网络将数据、GPU 计算与表示学习结合,为现代视觉研究提供了重要起点。
以 Gemini 为基础,从摄像头输入与文本描述预测驾驶轨迹、感知对象和道路结构。
EMMA: End-to-End Multimodal Model for Autonomous Driving
直接观察通用多模态知识如何迁移到驾驶任务,而不是把语言模型与自动驾驶看成两条无关路线。
Waymo 明确说明 EMMA 基于 Gemini;多种驾驶任务使用统一的语言表示。
研究报告的是任务评估,不能据此认定为商用 Waymo Driver。原文指出视频时长、三维传感器融合与计算开销的局限。
沿着这些连接继续阅读 ↗@misc{hwang2024emma,
title = {EMMA: End-to-End Multimodal Model for Autonomous Driving},
author = {Jyh-Jing Hwang and Runsheng Xu and Hubert Lin and Wei-Chih Hung and Jingwei Ji and Kristy Choi and Di Huang and Tong He and Paul Covington and Benjamin Sapp and Yin Zhou and James Guo and Dragomir Anguelov and Mingxing Tan},
year = {2024},
eprint = {2410.23262},
archivePrefix = {arXiv},
primaryClass = {cs.CV},
url = {https://arxiv.org/abs/2410.23262}
}论文与代码版权归原作者;引用及许可请以原始来源为准。
ImageNet Classification with Deep Convolutional Neural Networks
深度卷积网络将数据、GPU 计算与表示学习结合,为现代视觉研究提供了重要起点。
Denoising Diffusion Probabilistic Models
模型学习逐步反转加噪过程,为图像生成建立了重要的扩散建模路线。
Learning Transferable Visual Models From Natural Language Supervision
通过对比学习对齐图像与自然语言描述,使视觉表示能够迁移到新类别。