在發展自動駕駛技術上，滴滴又在學術研究和產業合作上迎來新的進展。

4 月 25 日，滴滴攜手加州大學伯克利分校 DeepDrive 深度學習自動駕駛產業聯盟（Berkeley DeepDrive）在京舉辦 CVPR 2019 自動駕駛預研討會，會上滴滴正式宣布與 BDD 達成戰略合作。

（來源：BDD）

BDD 是由加州大學伯克利分校領導的研究應用于汽車領域的計算機視覺和機器學習前沿技術的產業聯盟，全球范圍內主要的自動駕駛公司和不少科技公司都已經加入這一產業聯盟。根據滴滴和 BDD 的介紹，這次雙方將圍繞智能駕駛大主題，在前沿研究及應用落地、頂尖人才培養、學術交流等方向展開全方位的積極探索。

滴滴在自動駕駛技術開發上的最大優勢之一在于其擁有非常好的交通大數據。此前 3 月，滴滴聯合 BDD 啟動 CVPR 2019 WAD 自動駕駛識別挑戰賽，滴滴就提供一個大規模、高質量的真實駕駛場景視頻數據集D2-City（https://gaia.didichuxing.com/d2city），涵蓋 12 類行車和道路相關的目標標注。

在今年 CVPR 2019 上，雙方也將舉辦自動駕駛研討會（WAD），基于伯克利 BDD100 K（史上最大規模自動駕駛視頻數據集之一）、滴滴 D2-City 兩個大規模、高質量真實駕駛場景視頻數據集，組織目標檢測、目標跟蹤遷移學習挑戰賽。

圖丨滴滴出行信息安全戰略副總裁、美國研究院院長弓峰敏博士與 BDD 主任、伯克利人工智能研究院（BAIR）聯合主任 Trevor Darrell 教授（來源：滴滴）

而在最近的一項業內評測上，滴滴的人臉檢測算法也嶄露頭角。

根據近日 WIDER FACE 公布的最新評測結果，滴滴 AI Labs 團隊聯合北京郵電大學 PRIS 團隊提出的人臉檢測DFS 算法，在 Easy、Medium 和 Hard 三個評測子集的六項評估結果中取得了五項第一、一項第二的成績。

WIDER FACE 是目前業界公開的數據規模最大、檢測難度最高的人臉檢測數據集之一，由香港中文大學于 2016 年建立，共包含 32,203 張圖像和 393,703 個人臉標注。其中 40% 的數據為訓練集（Training），10% 的數據為驗證集（Validation），50% 的數據為測試集（Testing）。每個集合中的數據根據人臉檢測的難易程度分為“Easy”、“Medium”、“Hard”。

其中，滴滴在“Easy”、“Medium”和“Hard”三個測試子集中，DFS 算法性能分別達到 96.3% AP，95.4% AP，90.7% AP。

由于匯集了人臉尺寸大小變化、拍照角度引起的人臉姿態變化、不同程度的人臉遮擋、表情變化、光照強弱差異以及化妝等多種影響因素，該數據集在全球人臉檢測領域極具挑戰性，每次評測均會吸引多家國內外科技巨頭及高校院所（包含卡耐基梅隆大學、加州大學圣地亞哥分校、北航、浙大、京東、騰訊優圖、百度、華為云、IBM 沃森研究院等）在這個數據集上驗證了自己的算法效果。

圖 丨驗證集性能曲線圖（來源：http://shuoyang1213.me/WIDERFACE/WiderFace_Results.html）

圖 丨 測試集性能曲線圖（來源：http://shuoyang1213.me/WIDERFACE/WiderFace_Results.html）

DFS 算法以卷積神經網絡中的特征融合為切入點，為了防止高層特征圖上的語義信息覆蓋低層特征圖上的細節信息，提出了特征融合金字塔（Feature Fusion Pyramid）結構，其以空間和通道注意力機制的方式融合高低層特征，在不失細節信息的同時將語義信息作為上下文線索（contextual cues）增強低層特征；另外，DFS 算法提出了一種輔助訓練單階段檢測器的語義分割分支（Semantic Segmentation branch），促使檢測網絡以一種自監督的方式實現注意力機制以及學到更好的特征。

具體地說，DFS 算法獨特的語義分割分支分層地利用更強的語義分割監督信息監督訓練網絡，使得用于預測人臉的各級特征圖專注于各自最適宜檢測到的不同尺寸的人臉。

圖丨DFS 算法網絡框架圖

目前，滴滴平臺已經在廣泛使用其開發的人臉檢測和識別技術，用于司機人不符檢測、行程中車內錄像時的乘客隱私保護等場景等。

圖丨滴滴的駕駛場景理解平臺（來源：DeepTech）

除此之外，根據滴滴AI Labs資深研究員車正平博士、李廣宇博士介紹，滴滴的AI Labs 也正在基于其海量真實駕駛數據開發一款駕駛場景理解平臺，能基于駕駛場景理解、大數據分析與風險預測等能力提升出行安全與體驗，同時也在構建智能駕駛模擬測試環境，加速滴滴智能駕駛系統優化迭代。