深度学习
| 中文名称 | 英文名称 |
|---|
| 人工智能系统 | Artificial Intelligence System |
| 认知负荷 | Cognitive Load |
| 深度学习 | Deep Learning |
| 3D卷积神经网络 | 3D Convolutional Neural Networks |
| 生物神经元 | A Biological Neuron |
| 前馈神经网络 | A Feed-Forward Neural Network |
| 损失函数 | A Loss Function |
| 单目摄像头 | A Monocular Camera |
| 奖励函数 | A Reward Function |
| 数字向量 | A Vector of Number |
| 激活函数 | Activation Function |
| 人工神经元 | An Artiicial Neuron |
| 自动驾驶 | Autonomous Vehicles |
| 卷积神经网络 | Convolution Neural Network |
| 深度信念网络 | Deep Belief Network |
| 深度强化学习 | Deep Reinforcement Learning |
| 动态驾驶场景分割 | Dynamic Driving Scene Segmentation |
| 动态时间序列 | Dynamics Time Series |
| 长短期记忆网络 | Long Short-Term Memory Network |
| 多代理深度强化学习 | Multi Agent Deep Reinforcement Learning |
| 多层感知机 | Multi-Layer Perception, Deep Neural Network |
| 非线性优化 | Non-Linear Optimization |
| 感知控制系统 | Perception Controled Systems |
| 循环神经网络 | Recurrent Neural Network |
| 场景分割 | Scene Segmentation |
| 隐藏层 | The Hidden Layer |
| 空间映射 | The Mapping of the Space |
| 半监督强化学习 | The Semi-Supervised Reinforcement Learning |
| 无监督学习 | The Unsupervised Learning |
| 拓扑结构 | Topology |
自动驾驶
| 中文名称 | 英文名称 |
|---|
| 自适应巡航控制 | Adaptive Cruise Control |
| 激光雷达 | Lidar(Light Detection And Ranging) |
| 雷达 | Radar |
| 强化学习 | Supervised Learning |
| 视觉敏感度 | Acuity |
| 自适应车道保持控制 | Adaptive Cruise Control Lane Keeping |
| 人工智能算法 | AI Algorithm |
| 算法 | Algorithm |
| 目光分配 | Allocation of Glance |
| 标记数据 | Annotation |
| 人工智能 | Artificial Intelligence |
| 自动驾驶装置 | Autopilot |
| 大型事故 | Bee Event |
| 盲区 | Blind Spot |
| 眨眼频率 | Blink Rate |
| 中央控制台 | Center Stack |
| 分类 | Classification |
| 分类算法 | Classification Algorithm |
| 计算机视觉 | Computer Vision |
| 对比度 | Contrast |
| 控制决策 | Control Decisions |
| 反直觉的 | Counter-Intuitively |
| 巡航控制 | Cruise Control |
| 深度学习 | Deep Learning |
| 深度强化学习 | Deeper Enforecement Learning |
| 检测 | Detection |
| 视差图 | Disparity Map |
| 分布式计算 | Distributed Computation |
| 疲劳驾驶 | Drowsy Driving |
| 负面的意义/角度 | Dystopian View |
| 特征检测 | Feature Detection |
| Fast算法 | Features Fromaccelerated Segment Test |
| 不完善的系统 | Flawed System |
| 全自主系统 | Full Autonomous System |
| 高分辨率雷达 | High-Resolution Radar |
| 人机交互 | Human Robot Interaction |
| 有人介入的自主系统 | Human-Centered Autonomy System |
| 仪表台 | Instrument Cluster |
| 说明 | Interpretation |
| 乱穿马路的人 | Jaywalkers |
| 横向控制 | Laterally Control |
| 蜥蜴猫头鹰效应 | Lizard Owl Effect |
| 定位 | Localization |
| 纵向控制 | Longitudinally Control |
| 机器学习 | Machine Learning |
| 地图构建 | Mapping |
| 基于优化的方法 | Optimization Based Approach |
| 辅助停车 | Park Assistance |
| 半自动系统 | Partial Autonomy System |
| 感知 | Perception |
| 感知控制 | Perception Control |
| 原始数据 | Raw Data |
| 反光镜 | Rearview |
| 识别 | Recognition |
| 监督学习 | Reinforcement Learning |
| 激励函数 | Reward Function |
| RGB红外图像 | RGB Infrared Visual Data |
| 轮式移动机器人 | Robo Cars |
| Sift算法 | Scale-Invariant Feature Transform |
| 场景检测 | Scene Detecting |
| 自动驾驶 | Self-Drirving |
| 半监督学习 | Semi-Supervised |
| 传感器融合 | Sensor Fusion |
| SlAM算法 | Simultaneous Localization And Mapping |
| 固态激光雷达 | Soli-State Lidar |
| 数据源 | Source of Data |
| 声音频谱 | Spectrogram of the Audio |
| 自主等级 | Taxonomies Ation of Autonomy |
| 纹理信息 | Texture Information |
| 追踪 | Tarcking |
| 牵引力控制 | Traction Control |
| 交通标志 | Traffic Signs |
| 交通拥堵的 | Traffic Bumper-To-Bumper |
| 交通拥堵 | Traffic Jam/Bumper To Bumper |
| 交通灯 | Traffic Lights |
| 轨迹 | Trajectories |
| 超声传感器 | Ultrasonic Sensor |
| 理解 | Understanding |
| 积极的意义/角度 | Utopian View |
| 视觉传感器 | Vision Sensor |
| 视觉特征 | Visual Characteristics |
| 视觉里程计 | Visual Odometry |
深度增强学习
| 中文名称 | 英文名称 |
|---|
| 运动规划 | Motion Planning |
| 状态空间 | State Space |
| 行动 | Action |
| 行动空间 | Action Space |
| 智能体 | Agent |
| 反向传播 | Back Propagation |
| 批次大小 | Batch Size |
| 贝尔曼方程 | Bellman Equation |
| 深度Q网络 | Deep Q Network |
| 端到端学习 | End-To-End Learning |
| 探索-利用的折中 | Exploration-Exploitation Balancing |
| 探索-利用困境 | Exploration-Exploitation Dilemma |
| 前向通路 | Feed-Forward Pass |
| 全连接层 | Fully Connected Layer |
| 贪心方法 | Greedy Way |
| 网格空间 | Grid Space |
| 正确的标注 | Ground Truth |
| 人形机器人 | Humanoid Robotics |
| 惯性测量单元 | IMU(Inertial Measurement Unit) |
| 运动学 | Kinematics |
| 学习率 | Learning Rate |
| 损失函数 | Loss Function |
| 蒙特卡洛树搜索 | MCTS(Monte-Carlo Tree Search) |
| 多任务学习 | Multitask Learning |
| 自然语言 | Natural Language |
| 非凸优化 | Non-Convex Optimization |
| 最优策略 | Optimal Policy |
| 规划算法 | Planning Algorithms |
| 策略 | Policy |
| 算法伪代码 | Pseudocode Algorithm |
| Q函数 | Q-Function |
| Q学习 | Q-Learning |
| 回归 | Regression |
| 表征学习 | Representation Learning |
| 表征部分 | Reperesentation Piece |
| 残差网络 | Resnet |
| 奖励裁剪 | Reward Clipping |
| 奖励机制 | Reward Mechanism |
| 自我对抗（自我互博） | Self-Replay |
| 稀疏表征 | Sparse Information |
| 状态表征 | State Representation |
| 分类 | Taxonomy |
| 时间窗口 | Temporal Window |
| 迁移学习 | Transfer Learning |
| 价值函数 | Value Function |
计算机视觉
| 中文名称 | 英文名称 |
|---|
| 计算机视觉 | Computer Vision |
| 神经网络 | Neural Network |
| 参数 | Parameter |
| 高级语义信息 | Adcanced Semantic Information |
| 标注数据 | Annotated Data |
| 偏置 | Bias |
| 胶囊网络 | Capsule Networks |
| 通道 | Channel |
| 分类器 | Classifier |
| 分类 | Classify |
| 颜色和纹理 | Color and Texture |
| 条件随机场 | Conditional Random Fields |
| 动态信息 | Dynamic Information |
| 提取边缘 | Extracting Edge |
| 特征 | Feature |
| 卷积核 | Filter |
| 前向传播 | Forward Propagation |
| 全连接网络 | Fully Connected Network |
| 真实数据 | Ground Truth |
| 热图 | Heat Map |
| 图像分割 | Image Segmentation |
| K近邻 | K Nearest Neighbors |
| 标签 | Label |
| 非线性激活函数 | Nonlinear Activation Function |
| 遮挡 | Occlusion |
| 光流 | Optical Flow |
| 像素级 | Pixel Level |
| 池化层 | Pooling |
| 递归（循环）神经网络 | Recurrent Neural Network |
| 回归 | Regress |
| 强化学习 | Reinforcement Learning |
| 语义场景分割 | Semantic Scene Segmentation |
| 空间的 | Spatial |
| 步长 | Stride |
| 非监督学习 | Unsupervised Learning |
| 加权 | Weighed Summed |
其他
| 中文名称 | 英文名称 |
|---|
| 视线分类 | Glance Classification |
| 卷积神经网络 | Convolutional Neural Network(CNN) |
| 情感识别耦合 | Coupling of the Emotional Recognition |
| 国防高等研究计划署 | Defence Advanced Research Projects Agency(DARPA) |
| 帧 | Frame |
| 生成对抗网络 | Generative Adcersarial Network(GAN) |
| 人机交互 | Human and Computer Interact(HCI) |
| 类内方差 | Interclass Variance |
| 大规模分布式计算 | Large-Scale Distributed Compute |
| 大规模分布式存储 | Large-Scale Distributed Storage |
| 长短期记忆 | Long Short-Term Memory(LSTM) |
| 测量瞳孔直径 | Measuring the Pupil Diameter |
| 非口头的协商 | Non-Verbal Negotiation |
| 物理运动 | Physical Movement |
| 鲁棒性 | Robustness |
| 自己校准 | Self-Calibrate |
| 图像序列 | Sequences of Images |
| 滑窗法 | Sliding Windows |
| 平滑追踪 | Smooth Pursuit |
| 安全气囊测试 | The Airbag Testing |
| 表情识别 | The Emotion Recognition |
| 人类的视觉 | The Visual Aspects of A Human |
| 触摸传感器 | Touch Sensor |
| 训练学习算法 | Train Learning Algorithms |
| 可视化 | Visulaization |
| 行为预测 | Behavior Prediction |
| 嵌入式系统 | Embedded System |
| 预计到达时间 | Estimated Time of Departure(ETA) |
| 标注数据集 | Label Data Set |
| 建图策略 | Mapping Learning |
| 负向障碍物（指坑洼地形） | Negative Obstacles |
| 设计适用范围 | Operating Design Domain(ODD) |
| 行人检测 | Pedestrian Detection |
| 感知系统 | Perception System |
| （特指）激光点云 | Point Clouds |
| 复杂系统 | Sophisticated System |
| 轨迹预测 | Trajectory Prediction |
| 美国国防高级研究计划局 | Defense Advanced Research Projects Agency |
| 优步 | Uber |
| 0级 | Level Zero |
| 6个等级的自动化程度 | Six Levels of Automation |
| 置信率 | Confidence Rate |
| 汽车经销商 | A Car Dealership |
| 脚本程序 | A Script |
| 绝对速度 | Absolute Speed |
| 激活 | Activate |
| 先进驾驶辅助系统 | Advanced Driver Assistance Systems |
| 不人性化的 | Against Driver Assistance Systems |
| 动态模拟视频 | An Animation showing |
| 自动驾驶包 | An Autonomy Package |
| 应用 | App（Application） |
| 自动驾驶飞行员 | Auto Pilots |
| 自动停车应用 | Automated Parking Application |
| 汽车工程师水平 | Automotive Engineers Levels |
| 条件自动驾驶 | Conditiner Automation |
| 施工区 | Construction Zones |
| 首席技术官 | Chief Technology Officer(CTO) |
| 调试 | Debug |
| 决策制定 | Decision-Making |
| 极端情况 | Extreme Cases |
| 痛点 | Friction Points |
| 基本规范 | Fundamental Norm |
| 城市未来交通 | Future Urban Mobility |
| 生成模型 | Generative Model |
| 高精度地图 | HD Map |
| 交叉口 | Intersections Traffic |
| 统计显著性 | Much of A Statistical |
| 美国高速公路安全管理局 | National Highway Traffic Safety Administration(NHTSA) |
| 多项式 | Polynomial |
| 产品图解 | Product Graph |
| 最短路径问题 | Shortest Path Problem |
| 单通道自动化 | Single Channel Automation |
| 横轴 | The Horizontal Axis |
| 行业标准 | The Industry Standard |
| 路网长度 | The length of the Road Network |
| 相对速度 | The Relative Speed |
| 服务模型 | The Service Model |
| 均方值 | The Square Root |
| 视距 | Visual Range |
| 天气条件 | Weather Conditions |
| 自动转向 | Auto Steer |
| 汽车制造商 | Automakers |
| 边界框 | Bounding Box |
| 商业模型 | Business Model |
| 缓冲区 | Crumple Zones |
| 合格-不合格测试 | Go-No-Go-Tests |
| 图形处理器 | Graphics Processing Unit |
| 高分辨率 | High-Resolution |
| 智能协作驾驶 | Intelligent Co-Pilot |
| 目标函数 | Objective Function |
| 路径空间 | Path Space |
| 踏板 | Pedal |
| 行星齿轮 | Planetary Gear |
| 计划控制理论 | Planning Control Theory |
| 侧滑角 | Side Slip Angle |
| 统计评估 | Statistical Evaluation |
| 方向盘 | Steering Wheel |
| 张量处理器 | Tensor Processing Unit |
| 阈值 | Threshold |
| 油门 | Throttle |
| 一级供应商 | Tier One Suppliers |
| 俯视图 | Top-Down View |
| 扭矩 | Torque |
| 车辆电气化 | Vehicle Electrification |
| 大众汽车 | Volkswagen |
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
