Prazos flexíveis

Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Certificado compartilhável
Ganhe um certificado após a conclusão
100% online
Comece instantaneamente e aprenda em sua própria programação.
Curso 3 de 4 no
Especialização de carros autônomos
Nível avançado
Este é um curso avançado, destinado a alunos com experiência em visão computacional e aprendizado profundo.
Aproximadamente. 31 horas para concluir
Inglês
Legendas: árabe, francês, português (europeu), italiano, vietnamita, alemão, russo, inglês, espanhol

Steven Waslander
professor associado
Studiessyllabus aeroespacial – o que você aprenderá com este curso
Bem-vindo ao Curso 3: Percepção visual para carros autônomos
Este módulo apresenta os principais conceitos do amplo campo de visão computacional necessário para progredir através de métodos de percepção para veículos autônomos. Os principais componentes incluem modelos de câmera e sua calibração, visão monocular e estéreo, geometria projetiva e operações de convolução.
Módulo 1: básico da visão computacional 3D
Este módulo apresenta os principais conceitos do amplo campo de visão computacional necessário para progredir através de métodos de percepção para veículos autônomos. Os principais componentes incluem modelos de câmera e sua calibração, visão monocular e estéreo, geometria projetiva e operações de convolução.
Módulo 2: Recursos visuais – Detecção, descrição e correspondência
Os recursos visuais são usados ​​para rastrear o movimento por meio de um ambiente e reconhecer lugares em um mapa. Este módulo descreve como os recursos podem ser detectados e rastreados através de uma sequência de imagens e fundidos com outras fontes de localização, conforme descrito no curso 2. A extração de recursos também é fundamental para a detecção de objetos e a segmentação semântica em redes profundas, e este módulo apresenta algumas das Métodos de detecção de recursos também empregados nesse contexto.
Módulo 3: Redes neurais de feedforward
A aprendizagem profunda é uma tecnologia que habilita essencial para a percepção autônoma. Este módulo apresenta brevemente os conceitos principais empregados nas redes neurais convolucionais modernas, com ênfase nos métodos que provaram ser eficazes para tarefas como detecção de objetos e segmentação semântica. Arquiteturas de rede básicas, componentes comuns e ferramentas úteis para construir e treinar redes são descritas.
Módulo 4: 2d Detecção de objeto
As duas aplicações mais prevalentes das redes neurais profundas para a direção autônoma são a detecção de objetos, incluindo pedestres, ciclistas e veículos e segmentação semântica, que associa pixels de imagem a rótulos úteis, como sinal, luz, meio de estrada, veículo etc. Este módulo Apresenta técnicas de linha de base para a detecção de objetos e o seguinte módulo introduz a segmentação semântica, os quais podem ser usados ​​para criar um pipeline de percepção de carros autônomos completos.
Módulo 5: Segmentação semântica
A segunda aplicação mais prevalente de redes neurais profundas à direção autônoma é a segmentação semântica, que associa pixels de imagem a rótulos úteis, como sinal, luz, meio-fio, estrada, veículo etc. O principal uso para segmentação é identificar a superfície dirigível, que Auxília na estimativa do plano do solo, detecção de objetos e avaliação de limites da faixa. Os rótulos de segmentação também estão sendo diretamente integrados à detecção de objetos como máscaras de pixel, para objetos estáticos, como sinais, luzes e faixas, e objetos em movimento desses carros, caminhões, bicicletas e pedestres.
Módulo 6: Juntando -o – Percepção de objetos dinâmicos na região dirigível
O módulo final deste curso se concentra na implementação de um sistema de aviso de colisão que alerta um carro autônomo sobre a posição e a categoria de obstáculos presentes em sua pista. O projeto é composto por três segmentos principais: 1) estimando o espaço dirigível em 3D, 2) estimativa da faixa semântica e 3) Filtre a saída errada da detecção de objetos usando a segmentação semântica.