课程价格 :
¥799.00
剩余名额
0
-
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
- 第1章: BEV感知诞生的背景
- 1-1:【课件】开课仪式
- 1-2:【课件】L1 感知模型的演变
- 第1节: 自动驾驶功能需求的变化
- 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
- 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2章: 特征空间转换(View Transformation)方法
- 5:【课件】L2 View Transformation
- 第1节: 为什么BEV是更合适的特征空间
- 6:【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
- 7:【视频】IPM与LSS特征空间转换方法
- 第3节: Transformer(3D to 2D/从顶向下):基于注意力机制的方法
- 8:【视频】Transformer特征空间转换方法
- 第4节: 小结
- 9:【视频】本章小结
- 第3章: BEV动静态元素检测任务(含Temporal Fusion)
- 10-1:L3 BEV Perception model.pdf
- 10-2:【视频】L3 sec1 内容引入
- 10-3:【资料】BEV实践环境配置.pdf
- 第1节: LSS-based 方法:CaDDN, BEVDet, BEVDet4D, M2BEV, BEVFusion, FastBEV
- 11:【视频】CaDNN算法
- 12:【视频】BEVDet系列算法:BEVDet与BEVDet4D
- 13:【视频】M^2BEV, BEVFusion, FastBEV算法
- 14:【视频】LSS系列方法小结
- 第2节: BEVDet的进阶之BEVPoolv2:代码讲解与实践
- 第3节: Transformer-based方法:DETR3D, BEVFormer, PETR, PETRv2, StreamPETR
- 第4节: BEVFormer:代码讲解与实践
- 第5节: View Transformation各类方法的优劣势总结
- 第4章: BEV for Occupancy
- 第1节: 任务定义
- 第2节: Occupancy方法:MonoScene, VoxFormer, TPVFormer, OpenOccupancy, SurroundOcc, Occ3D
- 第5章: BEV for End-to-End
- 第1节: FIERY:Perception + Prediction
- 第2节: MUTR3D:Perception + Tracking
- 第3节: UniAD:Perception + Planning
- 第6章: BEV for Mapless
- 第1节: HDMapNet:在BEV空间上做⽮量地图元素检测
- 第2节: VectorMapNet:3D position embedding
- 第3节: MapTR
- 第7章: BEV感知模型部署
- 第1节: 部署需求:算力约束与实时性需求
- 第2节: 推理加速:基于Nvidia芯片的BEV推理加速
- 第3节: 推理加速:基于征程芯片的BEV推理加速
- 第8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