-
学习人数
1512
-
难度级别
中级
-
课程时长
8时17分
-
综合评分
10
￥ 1699.00
- 第1章 加餐：机器学习及深度学习基础及方法
- 1-1 什么是机器学习和人工智能、深度学习介绍 （ 32:05）
- 1-2 深度学习基础知识-线性代数 （ 38:40）
- 1-4 深度学习基础知识-最优化理论 （ 22:48）
- 1-5 有监督学习、无监督学习、强化学习等概念 （ 29:19）
- 1-6 模型的概念、模型的表达能力、泛化能力、过拟合、欠拟合 （ 41:56）
- 1-7 数据集、参数与超参 （ 05:52）
- 1-8 线性可分支持向量机（SVM 为例） （ 23:29）
- 1-9 深度学习方法内容概述 （ 05:16）
- 1-10 神经网络模型 （ 28:49）
- 1-11 误差前向传播与梯度逆向传播 （ 13:59）
- 1-12 深度学习常用的正则项 （ 26:43）
- 1-13 深度学习模型的挑战 （ 21:35）
- 第2章 深度学习基础
- 2-1 卷积神经网络基本原理 （ 34:39）
- 2-2 实操：卷积神经网络 （ 06:24）
- 2-3 反向传播算法及公式推导 （ 39:29）
- 2-4 反向传播梯度计算推导 （ 12:00）
- 2-5 图像中的几种变形卷积 （ 24:33）
- 2-6 什么是尺度不变形？ （ 14:11）
- 2-7 CNN与transformer（上） （ 22:53）
- 2-8 CNN与transformer（下） （ 20:10）
- 2-9 VIT transformer及其变种（第二期新增） （ 21:58）
- 第3章 目标检测算法系统精讲
- 3-1 传统目标检测算法RCNN （ 13:59）
- 3-2 二阶段目标检测算法 （ 06:33）
- 3-3 FasterRCNN算法原理精讲 （ 34:28）
- 3-4 Realtime的二阶段检测算法 （ 19:49）
- 3-5 目标检测前沿算法 （ 37:00）
- 3-6 SSD与YOLO系列算法的原理（上） （ 46:52）
- 3-7 SSD与YOLO系列算法的原理（下） （ 28:38）
- 3-8 YOLOv4-YOLOv5算法的改进点精讲 （ 28:38）
- 3-9 RetinaNet目标检测杠把子（第二期新增） （ 25:09）
- 第4章 AnchorFree系列目标检测算法精讲
- 4-1 AnchorFree检测算法原理 （ 47:30）
- 4-2 CenterNet算法精讲 （ 23:31）
- 4-3 通过CenterNet构建复杂多头网络 （ 18:04）
- 4-4 实操：CenterNet代码讲解 （ 28:20）
- 4-5 直播答疑 （ 35:02）
- 第5章 语义分割算法系统精讲
- 5-1 语义分割概述 （ 26:13）
- 5-2 语义分割的自动驾驶应用 （ 17:19）
- 5-3 基于语义分割的Landmark检测与车道线提取 （ 14:58）
- 5-4 语义分割模型的优化（上） （ 22:21）
- 5-5 语义分割模型的优化（下） （ 31:42）
- 第6章 实例分割与全景算法系统精讲
- 6-1 MaskRCNN算法原理 （ 42:21）
- 6-2 实操：MaskRCNN算法原理 （ 23:32）
- 6-3 基于SOLOv2的实例分割算法（上） （ 38:52）
- 6-4 基于SOLOv2的实例分割算法（下） （ 16:12）
- 6-5 实例分割算法的工程TensorRT加速与优化 （ 19:07）
- 6-6 实操：实例分割算法的工程TensorRT加速与优化 （ 31:48）
- 6-7 全景分割算法PanopticFCN（上） （ 20:57）
- 6-8 全景分割算法PanopticFCN（下） （ 20:27）
- 第7章 深度学习模型的部署与TensorRT加速
- 7-1 为什么要使用TensorRT加速 （ 34:13）
- 7-2 TENSORRT加速的效果（上） （ 39:20）
- 7-3 TENSORRT加速的效果（下） （ 12:02）
- 7-4 通过TensorRT进行模型量化 （ 19:49）
- 第8章 深度学习模型量化与剪枝概述
- 8-1 量化算法的基本理论（上） （ 16:41）
- 8-2 量化算法的基本理论（下） （ 22:22）
- 8-3 量化感知训练与后训练量化（上） （ 19:59）
- 8-4 量化感知训练与后训练量化（下） （ 20:17）
- 8-5 基于 PyTorch 的量化感知训练 QAT 实战(上) （ 21:48）
- 8-6 基于 PyTorch 的量化感知训练 QAT 实战(下) （ 15:19）
- 第9章 单目与多目传感器的视觉测距系统
- 9-1 单目测距与多目测距的原理（上） （ 18:40）
- 9-2 单目测距与多目测距的原理（下） （ 25:33）
- 9-3 基于单目的深度估计（上） （ 29:07）
- 9-4 基于单目的深度估计（下） （ 32:11）
- 9-5 基于单目的3D障碍物感知（上） （ 15:33）
- 9-6 基于单目的3D障碍物感知（下） （ 21:17）
- 9-7 实战：单目深度估计 （ 16:48）
- 第10章 基于计算机视觉的无人车障碍物感知系统
- 10-1 多模型综合实践 （ 52:04）
- 10-2 基于检测与分割的障碍物感知系统 （ 33:00）
- 10-3 基于深度估计与检测的障碍物感知系统 （ 30:54）
- 第11章 车道线检测算法精讲与系统构建
- 11-1 车道线检测任务概述 （ 28:23）
- 11-2 基于Anchor-based的车道线检测系统 （ 26:22）
- 11-3 基于分割的车道线检测方法 （ 29:56）
- 11-4 实践：车道线检测后处理相关的知识（聚类与后处理、特征处理） （ 41:25）
- 第12章 自动驾驶感知融合方法——第二期新增
- 12-1 基于图像与激光雷达数据的前融合方法Multiview2D （ 27:14）
- 12-2 后处理感知融合策略：卡尔曼滤波方法 （ 16:35）
- 第13章 自动驾驶中的多目标跟踪系统
- 13-1 多目标跟踪之基础（上） （ 28:15）
- 13-2 多目标跟踪之基础（下） （ 09:58）
- 13-3 卡尔曼滤波算法 （ 27:54）
- 13-4 基于深度学习表观特征的跟踪 （ 18:53）
- 13-5 DEEPSORT系统 （ 21:04）
- 13-6 实战 （ 34:22）
- 第14章 基于计算机视觉的红绿灯识别系统
- 14-1 红绿灯识别基本思路 （ 17:26）
- 14-2 红绿灯检测与状态识别 （ 20:15）
- 14-3 红绿灯检测与状态识别（上） （ 24:11）
- 14-4 红绿灯检测与状态识别（下） （ 19:50）
- 14-5 基于状态机的红绿灯状态优化 （ 29:20）
- 第15章 基于视觉特征的辅助定位技术
讲师提示
Sky_Hole
现任某知名自动驾驶公司 感知系统算法专家
- 讲师简介
- 自动驾驶领域资深从业人员，早期入局自动驾驶领域并负责多个项目的系统架构、感知系统开发等，拥有多个自动驾驶大型项目部署经验，曾参与滴滴出行早期自动驾驶系统的开发，前腾讯自动驾驶研究院。
资料下载
-
【课前】学习资料汇总258.75K 1次下载 -
【课前】深度学习资料汇总146.826K 1次下载
-
【课前】文献资料435.505M 1次下载 -
【第2章】课件14.428M 2次下载
-
【第2章】作业代码55.675K 1次下载
-
【第2章】作业240.829K 1次下载
-
【第1章】课件及资料2.573M 1次下载
-
【第3章】课件4.842M 1次下载
-
【第3章】作业215.288K 1次下载
-
【第4章】课件1.881M 1次下载
