Computer Vision for Autonomous Driving

• Biegłość w programowaniu w Python
• Podstawowa znajomość koncepcji uczenia maszynowego
• Znajomość technik przetwarzania obrazów

Grupa docelowa

• Deweloperzy AI pracujący nad aplikacjami do autonomicznej jazdy
• Inżynierowie wizji komputerowej koncentrujący się na percepcji w czasie rzeczywistym
• Badacze i programiści zainteresowani sztuczną inteligencją w motoryzacji

Computer Vision dla Autonomicznej Jazdy to kompleksowy kurs, który ma na celu nauczyć programistów, jak wdrażać techniki wizji komputerowej w celu percepcji i rozumienia otoczenia w pojazdach autonomicznych.

To prowadzone przez instruktora, na żywo szkolenie (online lub na miejscu) skierowane jest do programistów AI i inżynierów wizji komputerowej na poziomie średnio zaawansowanym, którzy chcą tworzyć niezawodne systemy wizyjne do zastosowań w autonomicznej jeździe.

Po ukończeniu tego szkolenia uczestnicy będą mogli:

• Zrozumieć podstawowe koncepcje wizji komputerowej w pojazdach autonomicznych.
• Wdrożyć algorytmy do wykrywania obiektów, wykrywania pasów ruchu i segmentacji semantycznej.
• Zintegrować systemy wizyjne z innymi podsystemami pojazdów autonomicznych.
• Zastosować techniki głębokiego uczenia do zaawansowanych zadań percepcji.
• Oceniać wydajność modeli wizji komputerowej w rzeczywistych scenariuszach.

Format Kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczna implementacja w środowisku live-lab.

Możliwości Dostosowania Kursu

• Aby poprosić o dostosowane szkolenie dla tego kursu, skontaktuj się z nami, aby to zaaranżować.

Wprowadzenie do Computer Vision w autonomicznej jeździe

• Rola wizji komputerowej w systemach pojazdów autonomicznych
• Wyzwania i rozwiązania w przetwarzaniu wizji w czasie rzeczywistym
• Kluczowe koncepcje: wykrywanie obiektów, śledzenie i rozumienie sceny

Podstawy przetwarzania obrazu dla pojazdów autonomicznych

• Pozyskiwanie obrazów z kamer i sensorów
• Podstawowe operacje: filtrowanie, wykrywanie krawędzi i transformacje
• Potoki preprocessingowe do zadań wizji w czasie rzeczywistym

Wykrywanie i klasyfikacja obiektów

• Ekstrakcja cech przy użyciu SIFT, SURF i ORB
• Klasyczne algorytmy detekcji: HOG i kaskady Haar
• Podejścia głębokiego uczenia: CNN, YOLO i SSD

Wykrywanie linii i oznakowania drogowego

• Transformata Hougha do wykrywania linii i krzywych
• Ekstrakcja regionu zainteresowania (ROI) do oznakowania pasa ruchu
• Implementacja wykrywania pasa ruchu przy użyciu OpenCV i TensorFlow

Segmentacja semantyczna dla rozumienia sceny

• Zrozumienie segmentacji semantycznej w autonomicznej jeździe
• Techniki głębokiego uczenia: FCN, U-Net i DeepLab
• Segmentacja w czasie rzeczywistym przy użyciu głębokich sieci neuronowych

Wykrywanie przeszkód i pieszych

• Wykrywanie obiektów w czasie rzeczywistym z YOLO i Faster R-CNN
• Śledzenie wielu obiektów z SORT i DeepSORT
• Rozpoznawanie pieszych przy użyciu HOG i modeli głębokiego uczenia

Sensor Fusion dla ulepszonej percepcji

• Łączenie danych wizyjnych z LiDAR i RADAR
• Filtrowanie Kalmana i filtrowanie cząsteczkowe do integracji danych
• Poprawa dokładności percepcji za pomocą technik fuzji sensorów

Ocena i testowanie systemów wizyjnych

• Porównywanie modeli wizyjnych z zestawami danych motoryzacyjnych
• Ocena i optymalizacja wydajności w czasie rzeczywistym
• Implementacja potoku wizyjnego dla symulacji autonomicznej jazdy

Studia przypadków i zastosowania w świecie rzeczywistym

• Analiza udanych systemów wizyjnych w samochodach autonomicznych
• Projekt: Implementacja potoku wykrywania pasów ruchu i przeszkód
• Dyskusja: Przyszłe trendy w komputerowej wizji motoryzacyjnej

Podsumowanie i kolejne kroki