友情链接:
合作联系
|
ASPEN培训课程
培训对象： 自动驾驶感知算法工程师、计算机视觉研发人员、深度学习算法工程师、AI应用开发者。
培训目标：
掌握基于深度学习的图像目标检测算法（YOLO、SSD、Faster R-CNN）。
能够实现多目标跟踪（SORT、DeepSORT）。
掌握激光雷达点云目标检测算法（PointPillars、VoxelNet）。
具备感知算法部署和优化能力。
培训内容介绍：
二、卷积神经网络基础： 回顾CNN的基础知识（卷积层、池化层、全连接层、激活函数），掌握ResNet、MobileNet等骨干网络。
三、目标检测算法（YOLO）： 掌握YOLO系列算法的原理（锚框、边界框回归、置信度、类别预测），使用YOLOv5/v8训练目标检测模型。
四、目标检测算法（Faster R-CNN）： 了解Faster R-CNN的双阶段检测原理（RPN、RoI Pooling、分类回归），对比与YOLO的差异。
五、模型训练与数据集： 使用自动驾驶公开数据集（KITTI、nuScenes、Waymo），进行数据预处理、模型训练、超参数调优。
六、多目标跟踪（SORT）： 掌握SORT算法（卡尔曼滤波预测、匈牙利算法匹配），实现视频序列中的目标关联和跟踪。
七、多目标跟踪（DeepSORT）： 在SORT基础上加入外观特征（ReID），减少ID切换，提高遮挡情况下的跟踪鲁棒性。
八、激光雷达点云处理： 了解点云的数据特点（稀疏、无序、密度不均），掌握点云预处理（滤波、降采样、地面分割）。
九、点云目标检测（PointPillars）： 掌握PointPillars算法（点云转换为柱体、2D CNN检测），实现点云中的3D目标检测。
十、点云目标检测（VoxelNet）： 了解VoxelNet的体素化方法和3D卷积网络，处理稀疏点云中的特征提取。
十一、多模态融合： 实现摄像头与激光雷达的目标级融合（目标匹配、卡尔曼融合）或特征级融合，提升检测精度。
十二、实战项目：感知算法部署： 完成目标检测模型训练、跟踪算法集成，在自动驾驶数据集上评估算法性能。
