课程价格 ：
¥799.00
剩余名额
49
-
学习时长
12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: 自动驾驶感知模型的演变
- 第1节: 自动驾驶功能需求的变化
- 免费 1：【视频】自动驾驶功能需求的变化
- 第2节: 传统感知算法的流程及其瓶颈
- 免费 2：【视频】传统感知算法的流程及其瓶颈
- 第3节: 视觉Transformer简介
- 免费 3：【视频】视觉Transformer简介
- 4：【视频】详细讲解Transformer中的Attention
- 5：【视频】视觉Transformer中的self-attention与Cross-attention
- 第4节: 实践：ViT中的Attention
- 第2章: 特征空间转换方法
- 第1节: 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
- 第3节: Transformer(3D to 2D/从顶向下)：基于注意力机制的方法
- 第4节: 实践：IPM特征空间变换
- 第5节: 实践：LSS特征空间变换
- 第6节: 实践：Transformer特征空间变换
- 第3章: 基于LSS的BEV感知模型原理
- 第1节: 内容引入
- 第2节: CaDNN算法
- 第3节: BEVDet系列算法：BEVDet与BEVDet4D
- 第4节: M2BEV, BEVFusion, FastBEV
- 第5节: LSS系列算法小结
- 第4章: LSS-based BEV感知模型的工程实现
- 第1节: 内容概览：从感知任务需求到工程实现
- 第2节: 从BEV感知任务到数据拆解：数据“流”
- 第3节: 从BEV工程实现到框架拆解：框架“流”
- 第4节: 从BEV算法设计到模型拆解：模型“流”与张量“流”
- 第5章: LSS-based BEV感知模型在地平线征程芯片上的部署
- 第1节: OpenExplorer开发包介绍
- 第2节: 搭建浮点模型
- 第3节: 模型量化
- 第4节: 模型编译与上板
- 第6章: 基于Transformer的BEV模型原理
- 第1节: Transformer-based方法的引入
- 第2节: BEVFormer
- 第3节: PETR系列：PETR, PETRv2, StreamPETR
- 第4节: FUTR3D
- 第5节: View Transformation各类方法的总结
- 第7章: Transformer-based BEV感知模型的工程实现
- 第1节: 内容概览：从算法设计到模型推理张量
- 第2节: Transformer-based 3D-to-2D的实现思路
- 第3节: BEVFormer的数据流
- 第4节: BEVFormer的模型封装
- 第5节: BEVFormer Encoder的实现
- 第6节: Detection Transformer Decoder的实现
- 第8章: Transformer-based BEV模型在Nvidia芯片上的部署
- 第1节: 部署需求：算力约束与实时性需求
- 第2节: 基于Nvidia芯片的BEVFormer推理加速
- 第9章: BEV for Occupancy
- 第1节: 任务定义
- 第2节: Occupancy方法：MonoScene, VoxFormer, TPVFormer,OpenOccupancy, SurroundOcc, Occ3D
- 第3节: SurroundOcc算法工程实现
- 第10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11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12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
