آموزش ادراک بصری برای خودروهای خودران - آخرین آپدیت

دانلود Visual Perception for Self-Driving Cars

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به دوره ادراک بصری برای خودروهای خودران خوش آمدید؛ سومین دوره از مجموعه تخصصی خودروهای خودران دانشگاه تورنتو. این دوره شما را با وظایف اصلی ادراک در رانندگی خودران، از جمله تشخیص اشیاء ایستا و پویا آشنا کرده و روش‌های رایج بینایی ماشین برای ادراک رباتیک را بررسی می‌کند. در پایان این دوره، شما قادر خواهید بود با مدل دوربین پین‌هول (pinhole) کار کنید، کالیبراسیون داخلی و خارجی دوربین را انجام دهید، ویژگی‌های تصویر را شناسایی، توصیف و تطبیق دهید و شبکه‌های عصبی کانولوشنال (CNN) اختصاصی خود را طراحی کنید. شما این روش‌ها را در زمینه‌های اودومتری بصری، تشخیص و ردیابی اشیاء، و بخش‌بندی معنایی (Semantic Segmentation) برای تخمین سطح قابل رانندگی به کار خواهید گرفت. این تکنیک‌ها بلوک‌های اصلی سیستم ادراک در خودروهای خودران هستند. برای پروژه نهایی این دوره، شما الگوریتم‌هایی توسعه خواهید داد که جعبه‌های محصورکننده (bounding boxes) اشیاء در صحنه را شناسایی کرده و مرزهای سطح قابل رانندگی را تعیین می‌کنند. شما با داده‌های تصویری مصنوعی و واقعی کار خواهید کرد و عملکرد خود را روی یک مجموعه داده واقع‌گرایانه ارزیابی می‌کنید. این یک دوره پیشرفته است که برای یادگیرندگان دارای پیش‌زمینه در بینایی ماشین و یادگیری عمیق در نظر گرفته شده است. برای موفقیت در این دوره، باید تجربه برنامه‌نویسی با Python 3.0 و آشنایی با جبر خطی (ماتریس‌ها، بردارها، ضرب ماتریسی، رتبه، مقادیر ویژه و بردار ویژه و معکوس ماتریس) داشته باشید.

سرفصل ها و درس ها

Welcome to Course 3: Visual Perception for Self Driving Cars Welcome to Course 3: Visual Perception for Self-Driving Cars

  • Welcome to the Self Driving Cars Specialization! Welcome to the Self-Driving Cars Specialization!

  • Welcome to the course Welcome to the course

  • Meet the Instructor, Steven Waslander Meet the Instructor, Steven Waslander

  • Meet the Instructor, Jonathan Kelly Meet the Instructor, Jonathan Kelly

Module 1: Basics of 3D Computer Vision Module 1: Basics of 3D Computer Vision

  • Lesson 1 Part 1: The Camera Sensor Lesson 1 Part 1: The Camera Sensor

  • Lesson 1 Part 2: Camera Projective Geometry Lesson 1 Part 2: Camera Projective Geometry

  • Lesson 2: Camera Calibration Lesson 2: Camera Calibration

  • Lesson 3 Part 1: Visual Depth Perception Stereopsis Lesson 3 Part 1: Visual Depth Perception - Stereopsis

  • Lesson 3 Part 2: Visual Depth Perception Computing the Disparity Lesson 3 Part 2: Visual Depth Perception - Computing the Disparity

  • Lesson 4: Image Filtering Lesson 4: Image Filtering

Module 2: Visual Features Detection, Description and Matching Module 2: Visual Features - Detection, Description and Matching

  • Lesson 1: Introduction to Image features and Feature Detectors Lesson 1: Introduction to Image features and Feature Detectors

  • Lesson 2: Feature Descriptors Lesson 2: Feature Descriptors

  • Lesson 3 Part 1: Feature Matching Lesson 3 Part 1: Feature Matching

  • Lesson 3 Part 2: Feature Matching: Handling Ambiguity in Matching Lesson 3 Part 2: Feature Matching: Handling Ambiguity in Matching

  • Lesson 4: Outlier Rejection Lesson 4: Outlier Rejection

  • Lesson 5: Visual Odometry Lesson 5: Visual Odometry

Module 3: Feedforward Neural Networks Module 3: Feedforward Neural Networks

  • Lesson 1: Feed Forward Neural Networks Lesson 1: Feed Forward Neural Networks

  • Lesson 2: Output Layers and Loss Functions Lesson 2: Output Layers and Loss Functions

  • Lesson 3: Neural Network Training with Gradient Descent Lesson 3: Neural Network Training with Gradient Descent

  • Lesson 4: Data Splits and Neural Network Performance Evaluation Lesson 4: Data Splits and Neural Network Performance Evaluation

  • Lesson 5: Neural Network Regularization Lesson 5: Neural Network Regularization

  • Lesson 6: Convolutional Neural Networks Lesson 6: Convolutional Neural Networks

Module 4: 2D Object Detection Module 4: 2D Object Detection

  • Lesson 1: The Object Detection Problem Lesson 1: The Object Detection Problem

  • Lesson 2: 2D Object detection with Convolutional Neural Networks Lesson 2: 2D Object detection with Convolutional Neural Networks

  • Lesson 3: Training vs. Inference Lesson 3: Training vs. Inference

  • Lesson 4: Using 2D Object Detectors for Self Driving Cars Lesson 4: Using 2D Object Detectors for Self-Driving Cars

Module 5: Semantic Segmentation Module 5: Semantic Segmentation

  • Lesson 1: The Semantic Segmentation Problem Lesson 1: The Semantic Segmentation Problem

  • Lesson 2: ConvNets for Semantic Segmentation Lesson 2: ConvNets for Semantic Segmentation

  • Lesson 3: Semantic Segmentation for Road Scene Understanding Lesson 3: Semantic Segmentation for Road Scene Understanding

Module 6: Putting it together Perception of dynamic objects in the drivable region Module 6: Putting it together - Perception of dynamic objects in the drivable region

  • Project Overview: Using CARLA for object detection and segmentation Project Overview: Using CARLA for object detection and segmentation

  • Final Project Hints Final Project Hints

  • Final Project Solution [LOCKED] Final Project Solution [LOCKED]

  • Congratulations for completing the course! Congratulations for completing the course!

نمایش نظرات

آموزش ادراک بصری برای خودروهای خودران
جزییات دوره
31h 20m
33
(آخرین آپدیت)
45,785
4.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

Steven Waslander Steven Waslander