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
