人，自行車，汽車或道路，天空，草地：圖像的哪些像素代表無人駕駛汽車前的不同前景人物或物體，哪些像素代表背景類別？這項稱為全景分割的任務是一個基本問題，已在許多領域中應用，例如自動駕駛汽車，機器人技術(shù)，增強現(xiàn)實，甚至在生物醫(yī)學圖像分析中。在弗萊堡大學計算機科學系，Abhinav Valada博士是機器人學習的助理教授，也是BrainLinks-BrainTools的成員，他專注于這個研究問題。Valada和他的團隊開發(fā)了最先進的“ EfficientPS”人工智能（AI）模型，該模型可以更快，更有效地對視覺場景進行連貫識別。

這項任務通常使用稱為深度學習的機器學習技術(shù)來解決，其中人工神經(jīng)網(wǎng)絡弗賴堡研究人員解釋說，它們是從人腦中汲取靈感，從大量數(shù)據(jù)中學習。諸如Cityscapes之類的公共基準在衡量這些技術(shù)的進步方面起著重要作用。Valada團隊的成員Rohit Mohan說：“多年來，來自Google或Uber的研究團隊一直在這些基準測試中爭奪榜首。” 來自弗萊堡（Freiburg）的計算機科學家的方法已被開發(fā)出來，用于理解城市的城市場景，在“城市景觀”（Cityscapes）中排名第一，Cityscapes是最有影響力的自動駕駛場景理解研究的排行榜。EfficientPS還始終在其他標準基準數(shù)據(jù)集（例如KITTI，Mapillary Vistas和IDD）上設置新的最新技術(shù)。

在項目網(wǎng)站上，Valada展示了團隊如何在各種數(shù)據(jù)集上訓練不同AI模型的示例。結(jié)果疊加在相應的輸入圖像上，其中顏色顯示模型將像素分配給的對象類別。例如，汽車標記為藍色，人物標記為紅色，樹木標記為綠色，建筑物標記為灰色。此外，AI模型還在每個被視為獨立實體的對象周圍繪制邊框。弗萊堡大學的研究人員成功地訓練了該模型，以將所學的城市場景信息從斯圖加特轉(zhuǎn)移到紐約市。盡管AI模型不知道美國的城市長什么樣，但它能夠準確識別紐約市的場景。

Valada解釋說，以前解決該問題的大多數(shù)方法都具有較大的模型尺寸，并且在實際應用中（例如受資源嚴重限制的機器人技術(shù)）在計算上非常昂貴，“我們的EfficientPS不僅可以實現(xiàn)最新的性能，而且這也是計算效率最高，最快的方法。這進一步擴展了可以使用EfficientPS的應用程序?！?/p>