• 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

限时特价: 749
优惠名额仅剩: 26个

原价: ¥799.00

支持花呗分期

  • 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

 

相关推荐

机器人与自动驾驶 基础
机器人与自动驾驶 基础

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》