嗨，大家好啊，忽如一夜春风来，千树万树梨花开。。。咔咔，搞错了搞错了，最近艳阳高照，在厦门的我基本已经热成一只废猪，也不知道下大雨地区的小伙伴们是否安好。回归正题，最近看到的有趣的新闻分享给大家。
听过智能驾驶，知道智能道路吗？你可能拉低“整条街”的智商！当当当，就是它了，知乎上的一篇文章，有点标题党，整篇文章很短，主体部分引用如下
此次，深圳市通过对交通信号控制设施的整体改造让智慧道路实现了全线流量的自适应控制和人车感应控制，系统将可根据实时交通情况调整红绿灯时间，自主实现“车多放车、人多放人”。
与此同时，智慧街道还能加强监管，12个高速抓拍设备可通过人工智能快速识别车辆不礼让行人、不系安全带、不按箭头行驶等违章行为，连交警的活也干了。
不仅如此，路面设置的重量和轴数传感器还能自动识别大货车、泥头车等特种车辆，对它们在该路段的超限超速、撒漏泥土甚至噪声污染等行为进行实时监控。
如果说以上几点都主要利于监管者的话，那么以下这一点可真是路人福音。这条道路的大型小区出入口和公交站附近都设置了智慧灯杆，上面的信息屏可实时显示最近的公交到站信息、自行车道指引、施工占道提醒甚至周边楼宇、公园信息。据统计，有了这种集合功能的路灯杆，路面上整体交通标志杆可减少32%。
“多种传输技术构成的网络让信息交互大大加快，原先割裂的道路信息才能得以快速整合。”技术人员表示，V2X技术所设想的以车为载体的万物互联场景，通过道路基础设施的升级也能实现，而且更具公共属性，“道路信息的快速整合也能反过来降低车联网发展的门槛。”
作者：千寻位置
链接：https://zhuanlan.zhihu.com/p/40438778
来源：知乎
为什么要介绍这项工作呢，因为好马配好鞍啊，智能驾驶风口逐渐强劲，相应的基础建设自然不能落后，同时这也表示了国内各地政府对加快智能化建设的决心（喂喂，不要写政治八股文啊，丢），总之这是一个很好的信号，AI为社会各界赋能，大家还有什么理由不学好AI呢。
最近在读两本书（买书买到破产），把其中一本推荐给大家，书名叫《深度学习入门：基于python的理论与实现》，作者是日本作家斋藤康毅，全书写的很简单，思想阐述的生动形象，读起来很流畅，应该是我目前看过最适合深度学习入门的书了（花书也很好，就是有点难），所以建议想入门的小伙伴先读这本书比较好。
好啦，下面介绍一下今天的阅读论文，题目是《Error Correction for Dense Semantic Image Labeling》，通过题目就知道这篇文章是做分割图像的误差校正的，可以将现有的大多数语义分割方法得到的结果进一步提升。
作者认为，现有的语义分割方法或者后端方法主要分为三条线：
1.端到端的深度学习方法：例如DCNNs，但这类方法无法利用书法利用输出标记的结构信息，导致对边界的分割效果比较差。
2.概率图模型：利用CRFs对深度学习方法得到的结果进行进一步处理，利用图模型估计分割结果的真实分布，典型方法诸如DeepLab Models，但是这类方法需要大量的参数调节工作以及运算时间，因此还有改进空间。
3.误差校正：最近新出现的一种方法，主要基于两种方法在做，一种是基于转换的方法，直接从初始结果中推断新的标记，另一种是基于残差的方法，通过计算新分布的残差大小来调整初始分布，当然还有二者结合的方法。
作者在误差矫正的基础上进行了进一步的优化工作，提出一种类似于Multi-task的网络结构，并行计算位移误差和新产生估计误差，以及二者的融合结果误差。
网络主要分三条分支：
第一条分支：LabelPropagation network
我觉得可以理解为对学到的标记又进行了一次前景提取的学习，通过相邻像素来判断当前像素的分布，这样的操作可以使原本标签中细小的错误分类点消失，使边缘更加平滑。
第二条分支：LabelReplacement network
这条分支主要解决初始标签中较大块区域错误分类的情况，这种情况下第一条分支无法通过近邻像素点进行校正，因此需要对这种区域从新进行预测，这里第一条分支和第二条分支共享编码器。
第三条分支：Fusion network
为了充分利用前两条分支得到的结果，作者又学习了一条融合分支（很简单，就不详细介绍了）。
训练细节和网络参数配置感兴趣的读者可以看论文附表，罗列的很详细。下面来看看实验结果如何吧。
这篇论文的方法可以看成是对学习结果的再学习，在某种程度上加深了网络层数，也更加充分的利用了标记信息，对于要求分割精度较高的应用场景（例如PS）具有很高的应用价值，但类似于自动驾驶这样的任务，实时性和高效性可能比精度更加重要。
最近闹书荒，大家有什么好的深度学习，强化学习，自动驾驶相关的新书也可以推荐给我哦，感激不尽，跪谢。
最后，祝好！愿与诸君一起进步。
