高校|带AI无人车上云驾校，华南理工大学团队拿下“互联网+”大赛金奖

梦晨发自凹非寺
量子位报道 | 公众号 QbitAI
你有没有想过，无人驾驶中的AI都是在哪学开车的？
AI在没学成之前直接上路跑肯定不能让人放心，所以研究人员都是让它们在仿真环境中训练。
相当于让AI上了一个云驾校，先在云端跑上千万遍，练成“老司机”以后再实际上路。
不过云驾校的建设成本可不低。
如果按照传统方法，需要花费大量的时间和成本实地去各个路段进行拍摄、采集数据。
照片拍回来还需要进行标注，画面中哪里是车道线，哪里有交通标志，周围有哪些车和行人……

文章插图
如果换一个城市，不同的道路宽度、交通指示牌的样式，甚至不同光照条件在路上投下不同的阴影，对于AI来说都要重新学习适应。
难道给每个城市都拍摄大量的照片？成本也太高了吧。
这是整个无人驾驶产业都要面对的问题，最近由华南理工大学的城联智图项目团队取得重要突破。
他们用GAN做城市街景的风格迁移，只需一个城市拍摄的图像与少量目标风格的城市图像就能迁移生成包含目标城市风格的图像。
此外还能生成各类危险、紧急情况的图像，让AI学习处理难以实地练习的极端场景。

文章插图
华南理工大学这支“城联智图”团队靠此成果拿下了今年“互联网+”大学生创新创业大赛的金奖。

文章插图
他们参加的是大赛今年新增的产业赛道，选择了华为出的《使用MindSpore设计和训练图像风格迁移模型》这道命题。
【高校|带AI无人车上云驾校，华南理工大学团队拿下“互联网+”大赛金奖】因为成果可以为无人驾驶产业大幅节约成本、加快研发进度，连华为MindSpore首席科学家陈雷都表示：
非常期待昇思MindSpore与城联智图团队开展长期、深度的合作,共同推动国内AI产业及生态发展。
怎样的创新方案？他们的模型是由风格迁移领域的经典模型CycleGAN改进而来。风格迁移可以将一个城市的图像街景转换为另一个城市的图像街景。

文章插图
一个创新之处是结合语义信息在非图像空间做约束，使得模型在风格转换时可不被源图像所完全限制住，让生成的图像更加自然。
此外还把模型修改成了多领域转换模型，利用不同城市风格之间存在异同点，在不同领域的转换任务中复用一部分网络参数。
题目中要求使用昇思MindSpore AI框架，对于如何学习一个新技术体系，他们的心得是多看官方的文档和教程，并且觉得昇腾论坛里的众多讨论也很有参考价值。
还有就是不能光看不练，他们是尝试完整地搭建出第一个模型后，才感觉自己入门了。
在正式开发过程中，他们参考和调用了生态中已有的很多模块，再加上API简单易用，总体上感觉昇思MindSpore AI框架在模型的构建、训练和测试部分都比较顺畅。
比如能实现网络自动切分，只需串行表达就能实现并行训练，开发流程有所简化。
在调试时，只需变更一行代码就能在静态执行和动态调试能力中切换，能快速定位到问题所在。
说到这里，同学们分享了遇到的一个让人哭笑不得的问题。
就像原版CycleGAN中给出的经典案例，在把马转换成斑马的任务里，骑手身上也出现了斑马的条纹。

文章插图
△图源：CycleGAN论文 arXiv:1703.10593
在城市风格转换任务里，路灯上有时也会出现树木的纹理。