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（BDD）在京舉辦CVPR 2019自動駕駛預研討會，會上滴滴正式宣佈與BDD達成戰略合作，雙方將圍繞智慧駕駛大主題，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。
(滴滴出行資訊保安戰略副總裁、美國研究院院長弓峰敏博士與BDD主任、伯克利人工智慧研究院（BAIR）聯合主任Trevor Darrell教授作為雙方代表簽署戰略合作協議)
達成戰略合作標誌著滴滴和BDD合作關係的進一步深入。此前3月，滴滴聯合BDD啟動CVPR 2019 WAD自動駕駛識別挑戰賽，滴滴共參與提出目標檢測遷移學習、目標跟蹤遷移學習、大規模檢測插值三項任務，並提供一個大規模、高質量的真實駕駛場景視訊資料集D²-City（https://gaia.didichuxing.com/d2city），涵蓋12類行車和道路相關的目標標註，旨在鼓勵相關領域前沿演算法的發明與實現，有效推進自動駕駛相關視覺演算法在不同環境和條件下的實用落地。
滴滴出行資訊保安戰略副總裁、美國研究院院長弓峰敏現場表示作為出行服務的提供者，滴滴一直非常願意和學界、車廠、工業界及相關各方共同合作，推動全球智慧駕駛技術發展和應用。Berkeley擁有全球領先的研究團隊，BDD的研究重心和滴滴也高度契合，雙方將繼續加強在自動駕駛領域的合作交流，攜手加速前沿研究的應用落地，共同培養更多具有創新意識的人工智慧領域頂級人才，推動AI賦能自動駕駛及大交通領域。
BDD主任Trevor Darrell教授稱，D²-City資料集的開放對於研究者的意義是非凡的，讓我看到了一個行業領先者應有的擔當。我們也很興奮能和滴滴進行多元化合作，持續推進技術前沿。在今年CVPR 2019上，BDD也將聯合滴滴舉辦自動駕駛研討會（WAD），基於伯克利BDD100K、滴滴D²-City兩個大規模、高質量真實駕駛場景視訊資料集，組織目標檢測、目標跟蹤遷移學習挑戰賽，共同加速自動駕駛領域技術創新。
預研討會上，Trevor Darrell還現場分享了“帶有好奇心與自適應性的深度學習在感知、行動、解釋的應用”。Darrell介紹到，最近幾年，“分層的”、“深度的”表徵學習極大地推動了計算機視覺的進步，但傳統上僅僅限於擁有大量的訓練資料且完全監督的設定，模型也缺乏可解釋性。來自於對抗自適應表徵學習的新結果表明了這些方法進行跨模態和領域學習時的提升，並且這些方法可以進一步被訓練或約束以便為他們的使用者提供自然語言解釋以及多模態視覺化結果。Trevor分享了通過學習特定例項的網路結構來解決個別任務的組合網路模型，以及利用好奇心定義的內在獎勵的自監督的策略學習模型。
滴滴AI Labs資深研究員車正平博士、李廣宇（Max Li）博士則在報告中分享了AI Labs在計算機視覺、智慧駕駛等方向上的最新探索和進展，並詳細介紹了AI如何通過學習分析車載大資料，讓司機的駕駛行為更安全。作為全球出行行業引領者，滴滴每天會處理大量交通及駕駛資料，基於海量大資料和技術優勢，滴滴也構建了駕駛場景理解平臺，能基於駕駛場景理解、大資料分析與風險預測等能力，持續提升出行安全與體驗。同時AI Labs也在應用海量真實駕駛資料，構建智慧駕駛模擬測試環境，加速滴滴智慧駕駛系統優化迭代。
加州大學伯克利分校BDD聯合主任Ching-Yao Chan博士的報告題目為“當人工智慧遇到自動駕駛”，介紹了他對機器學習的最新進展及其在自動駕駛中的應用的看法，包括BDD研究活動概述，機器學習在自動駕駛中用例的討論，及人工智慧和自動駕駛的挑戰和前景。
加州大學伯克利分校博士後研究員Fisher Yu博士則和大家探討了如何通過結合上下文的、動態的、有預測性的影象表徵方法實現人類認知水平。現有的最先進的計算機視覺模型通常專注於單個領域或單個任務，而人類水平的識別可以針對不同尺度與任務。Fisher分享了在學習不同尺度及任務的環境相關的影象表徵、構建可解釋卷積網路行為併產出適用於廣泛任務的模型框架方面的工作。這些正在進行的系統及演算法研究將表徵學習與現實世界的互動結合在一起來構建可以不斷向世界學習並與之互動的智慧體。