• 学习时长

    6周/建议每周至少6小时

  • 答疑服务

    专属微信答疑群/讲师助教均参与

  • 作业批改

    每章节设计作业/助教及时批改评优

  • 课程有效期

    一年/告别拖延,温故知新

支持花呗分期

  • 1-1:【课件】开课仪式
  • 1-2:【课件】L1 感知模型的演变
  • 第1章: BEV感知诞生的背景
  • 第1节: 自动驾驶功能需求的变化
  • 免费 2:【视频】自动驾驶功能需求的变化
  • 第2节: 传统感知方法的算法流程及其瓶颈
  • 免费 3:【视频】传统感知算法的流程及其瓶颈
  • 第3节: 视觉Transformer简介:Self‑Attention与Cross‑Attention
  • 4:【视频】视觉Transformer简介
  • 第4节: 实践:ViT中的Attention
  • 5:【实践】Project 1 Vision Transformer
  • 第2章: 特征空间转换(View Transformation)方法
  • 6:【课件】L2 View Transformation
  • 第1节: 为什么BEV是更合适的特征空间
  • 免费 7:【视频】为什么BEV是更合适的特征空间
  • 第2节: LSS(2D to 3D/从底向上):基于深度分布估计的方法
  • 8-1:【视频】IPM与LSS特征空间转换方法
  • 8-2:【实践】Project 2 IPM空间转换实践
  • 8-3:【实践】Project 3 LSS特征空间转换
  • 第3节: Transformer(3D to 2D/从顶向下):基于注意力机制的方法
  • 9-1:【视频】Transformer特征空间转换方法
  • 9-2:【实践】Project 4 Transformer特征空间转换
  • 9-3:【实践】Project 4 Transformer特征空间转换
  • 第4节: 小结
  • 10:【视频】本章小结
  • 第3章: BEV感知模型原理
  • 11-1:L3 BEV Perception model.pdf
  • 11-2:【视频】L3 sec1 内容引入
  • 11-3:【资料】BEV实践环境配置.pdf
  • 第1节: LSS-based 方法:CaDDN, BEVDet, BEVDet4D, M2BEV, BEVFusion, FastBEV
  • 12:【视频】CaDNN算法
  • 13:【视频】BEVDet系列算法:BEVDet与BEVDet4D
  • 14:【视频】M^2BEV, BEVFusion, FastBEV算法
  • 15:【视频】LSS系列方法小结
  • 第2节: Transformer-based方法:DETR3D, BEVFormer, PETR, PETRv2, StreamPETR,FUTR3D
  • 16:【视频】Transformer-based方法的引入
  • 17:【视频】基于稠密Query的BEV表示:BEVFormer
  • 18:【视频】基于稀疏Query的BEV表示:PETR系列
  • 19:【视频】基于稀疏Query的BEV表示:FUTR3D
  • 第3节: View Transformation各类方法的总结
  • 20:【视频】BEV动静态元素检测任务模型总结
  • 第4章: LSS-based BEV感知模型的工程实现:BEVDet与BEVPool
  • 21:【课件】BEV模型实现讲解与实践 Part I
  • 第1节: 内容概览:从感知任务需求到工程实现
  • 22:【视频】BEV工程实现:数据流、框架流、模型流与张量流
  • 第2节: 从BEV感知任务到数据拆解:数据“流”
  • 23-1:【视频】数据“流”:标注数据-数据转换-数据训练
  • 23-2:【视频】数据“流”:标注数据
  • 23-3:【视频】数据“流”:数据转换
  • 23-4:【视频】数据“流”:数据集的准备与读取
  • 第3节: 从BEV工程实现到框架拆解:框架“流”
  • 24-1:【视频】框架“流”:训练pipeline
  • 24-2:【视频】框架“流”:configs文件
  • 24-3:【视频】框架“流”:模型的Registry&Hook
  • 24-4:【视频】框架“流”小结
  • 第4节: 从BEV算法设计到模型拆解:模型“流”与张量“流”
  • 25-1:【课件】模型流与张量流.pdf
  • 25-2:【视频】模型“流”&张量“流”:算法设计-模型封装实现-模型推理张量
  • 25-3:【视频】模型“流”&张量“流”:image-view encoder
  • 25-4:【视频】LSS-view transform
  • 25-5:【视频】BEV空间特征及任务head
  • 第5章: LSS-based BEV感知模型在征程芯片上的部署
  • 26-1:【课件】基于征程芯片的BEV算法部署:BEVDet为例
  • 26-2:【资料】BEVDet环境配置与实践
  • 第1节: OpenExplorer开发包介绍
  • 27:【视频】OpenExplorer开发包介绍
  • 第2节: 搭建浮点模型
  • 28:【视频】搭建浮点模型
  • 第3节: 模型量化
  • 29:【视频】模型量化
  • 第4节: 模型编译与上板
  • 30:【视频】模型编译与上板
  • 第6章: Transformer-based BEV感知模型的工程实现
  • 31:【课件】BEVFormer模型实现讲解与实践.pdf
  • 第1节: 内容概览:从算法设计到模型推理张量
  • 32:【视频】内容概览
  • 第2节: Transformer-based 3D-to-2D的实现思路
  • 33:【视频】Transformer-based 3D-to-2D 基本思路
  • 第3节: BEVFormer的数据流
  • 34:【视频】BEVFormer的数据流
  • 第4节: BEVFormer的模型封装
  • 35:【视频】BEVFormer的模型封装实现
  • 第5节: BEVFormer Encoder的实现
  • 36-1:【视频】BEVFormerEncoder:TemporalSelfAttention(上)
  • 36-2:【视频】TemporalSelfAttention(下)
  • 36-3:【视频】BEVFormerEncoder:TemporalSelfAttention(下)
  • 36-4:【视频】SpatialCrossAttention
  • 第6节: DetectionTransformer Decoder的实现
  • 37:【视频】DetectionTransformerDecoder
  • 第7章: BEV for Occupancy
  • 38:【课件】从BEV到Occupancy
  • 第1节: 任务定义
  • 39:【视频】任务定义
  • 第2节: Occupancy方法:MonoScene
  • 40:【视频】MonoScene
  • 第3节: Occupancy方法:VoxFormer
  • 41:【视频】VoxFormer
  • 第4节: Occupancy方法:TPVFormer
  • 42:【视频】TPVFormer
  • 第5节: Occupancy方法:OpenOccupancy
  • 43:【视频】OpenOccupancy
  • 第6节: Occupancy方法:SurroundOcc
  • 44:【视频】SurroundOcc
  • 第7节: Occupancy方法:Occ3D
  • 45:【视频】Occ3D
  • 第8节: 本章小结
  • 46:【视频】总结
  • 第8章: BEV for Mapless
  • 47:【课件】BEV for Mapless
  • 第1节: 高精地图介绍
  • 48:【视频】高精度地图介绍
  • 第2节: HDMapNet:在BEV空间上做⽮量地图元素检测
  • 49:【视频】HDMapNet感知局部矢量地图
  • 第3节: STSU:用贝塞尔曲线表达矢量地图
  • 50:【视频】STSU:贝塞尔曲线表达矢量地图
  • 第4节: VectorMapNet:用Polyline与点集构建矢量地图
  • 51:【视频】VectorMapNet:用Polyline与点集构建矢量地图
  • 第5节: MapTR:实时且精度更高的方案
  • 52:【视频】MapTR:更接近量产落地的方案
  • 第6节: 本章小结
  • 53:【视频】Mapless方法总结
  • 第9章: BEV for End-to-End
  • 54-1:【课件】从BEV到End to End
  • 54-2:【视频】从BEV到End-to-End
  • 第1节: FIERY:Perception + Prediction
  • 55:【视频】从BEV到E2E:FIERY
  • 第2节: MUTR3D:Perception + Tracking
  • 56:【视频】从BEV到E2E:MUTR3D
  • 第3节: UniAD:Perception + Planning
  • 57:【视频】从BEV到E2E:UniAD
  • 第4节: 小结
  • 58:【视频】从BEV到E2E小结
  • 第11章: 数据闭环
  • 第1节: 数据闭环简介:2D
&
3D数据生产方式及成本介绍
  • 第2节: 3D标注
  • 第3节: 4D标注

相关推荐

机器人与自动驾驶 环境感知 进阶
机器人与自动驾驶 增强现实 定位与建图 高级
计算机视觉 机器人与自动驾驶 定位与建图 基础
机器人与自动驾驶 定位与建图 进阶

未注册验证后自动登录,注册/登录则视为同意

《服务协议》《隐私协议》

请完善资料,让我们更好的为您服务!

+86  (手机号已绑定)

未注册验证后自动登录,注册/登录则视为同意

《服务协议》《隐私协议》