AI人工智能初学者
4月8日， 滴滴自动驾驶发布连续5小时无接管重磅视频。这是滴滴自动驾驶团队软件版本迭代后，于近期录制的一支路测视频。从画面中可以看出，公开道路上测试场景丰富，在路测过程中有穿梭的行人、自行车、摩托车，以及大型车辆等，视频如下:
课程内容框架
从这个课中，你将学到什么内容？
精讲目标检测算法系统，包含传统目标检测、二阶段/单阶段目标检测；精讲AnchorFree系列目标检测算法，如AnchorFree、CenterNet算法等;
精讲语义分割、实例分割以及全景分割算法系统，包含语义分割模型的优化、SOLOv2实例分割算法、PanopticFCN全景分割算法等;
概述深度学习模型的相关知识，包括模型的部署与TensorRT加速、量化与剪枝等;
以实例讲解单目与多目传感器的视觉测距系统，如深度预测、障碍物检测、真实环境感知等;
介绍两种主流的无人车障碍物感知系统，分别是基于检测与分割、基于深度估计与检测等;
介绍两种常用的自动驾驶感知融合方法——前融合和后融合，以及详细的融合方法与策略;
详细讲解自动驾驶中的多目标跟踪系统，包括基于深度学习表征提取的跟踪、DeepSort系统等;
详尽讲解自动驾驶在工业场景中的部署应用，如红绿灯识别、车线检测、道路标识定位等;
讲师介绍
sky_hole
自动驾驶领域资深从业人员，曾参与滴滴出行早期自动驾驶系统的研发，前腾讯自动驾驶研究员，现某自动驾驶公司感知系统高级专家。
课程大纲
项目实战
项目1给定手部检测框，用OpenCV绘制对应关键点信息检测图。
项目2分割图渲染，对语义分割的图片进行类别筛选与原图渲染。
项目3通过传感器外参，复现3D空间坐标点通过参映射回图片坐标系，并生成3D框。
项目4将pytorch若干个卷积层后输出的特征图进行可视化，并参阅不同可视化方法。
项目5编写程序，使用OpenCV霍夫直线检测算法检测，并且推导霍夫变换公式。
项目6编写程序，对目标检测的输出框进行最大值抑制算法（nms）算法。
项目7对模型输出的实例分割结果进行分析，并将结果显示在图片上。
项目8对于输入(C,H,W)张量，推导卷积输出尺寸的计算公式。
特色服务
课程须知
开课时间：5月13日
学习方式：线上学习
开课时长：为期13周
计划安排：共15章，每周计划学习1~2章
挑战项目：8个挑战项目
答疑渠道：班级群答疑、直播答疑
适合人群
适合高校自动驾驶、计算机相关领域的研究生
适合从事自动驾驶感知、计算机视觉和3D点云的工程师
适合自动驾驶相关研究机构的研究人员
适合自动驾驶相关项目的项目经理、负责人
课程福利
提供完整课件、参考资料
开课后一年视频有效期
颁发电子结业证书
优秀学员颁发实物结业证书
优秀学员赠送200睿币（价值200人民币，可抵扣课程）
如何报名
