人工智能深度学习系统班6期 13 面向深度学习的无人驾驶实战
- 01 深度估计算法原理解读
- 01 深度估计效果与应用
- 02 kitti数据集介绍
- 03 使用backbone获取层级特征
- 04 差异特征计算边界信息
- 05 SPP层的作用
- 06 空洞卷积与ASPP
- 07 特征拼接方法分析
- 08 网络coarse-to-fine过程
- 09 权重参数预处理
- 10 损失计算
- 02 深度估计项目实战
- 01 项目环境配置解读
- 02 数据与标签定义方法
- 03 数据集dataloader制作
- 04 使用backbone进行特征提取
- 05 计算差异特征
- 06 权重参数标准化操作
- 07 网络结构ASPP层
- 08 特征拼接方法解读
- 09 输出深度估计结果
- 10 损失函数通俗解读
- 11 模型DEMO输出结果
- 03 车道线检测算法与论文解读
- 01 数据标签与任务分析
- 02 网络整体框架分析
- 03 输出结果分析
- 04 损失函数计算方法
- 05 论文概述分析
- 04 基于深度学习的车道线检测项目实战
- 01 车道数据与标签解读
- 02 项目环境配置演示
- 03 制作数据集dataloader
- 04 车道线标签数据处理
- 05 四条车道线标签位置矩阵
- 06 grid设置方法
- 07 完成数据与标签制作
- 08 算法网络结构解读
- 09 损失函数计算模块分析
- 10 车道线规则损失函数限制
- 11 DEMO制作与配置
- 05 商汤LoFTR算法解读
- 01 特征匹配的应用场景
- 02 特征匹配的基本流程分析
- 03 整体流程梳理分析
- 04 CrossAttention的作用与效果
- 05 transformer构建匹配特征
- 06 粗粒度匹配过程与作用
- 07 特征图拆解操作
- 08 细粒度匹配的作用与方法
- 09 基于期望预测最终位置
- 10 总结分析
- 06 局部特征关键点匹配实战
- 01 项目与参数配置解读
- 02 DEMO效果演示
- 03 backbone特征提取模块
- 04 注意力机制的作用与效果分析
- 05 特征融合模块实现方法
- 06 cross关系计算方法实例
- 07 粗粒度匹配过程
- 08 完成基础匹配模块
- 09 精细化调整方法与实例
- 10 得到精细化输出结果
- 11 通过期望计算最终输出
- 07 三维重建应用与坐标系基础
- 01 三维重建概述分析
- 02 三维重建应用领域概述
- 03 成像方法概述
- 04 相机坐标系
- 05 坐标系转换方法解读
- 06 相机内外参
- 07 通过内外参数进行坐标变换
- 08 相机标定简介
- 08 NeuralRecon算法解读
- 01 任务流程分析
- 02 基本框架熟悉
- 03 特征映射方法解读
- 04 片段融合思想
- 05 整体架构重构方法
- 09 NeuralRecon项目环境配置
- 01 数据集下载与配置方法
- 02 Scannet数据集内容概述
- 03 TSDF标签生成方法
- 04 ISSUE的作用
- 05 完成依赖环境配置
- 10 NeuralRecon项目源码解读
- 01 Backbone得到特征图
- 02 初始化体素位置
- 03 坐标映射方法实现
- 04 得到体素所对应特征图
- 05 插值得到对应特征向量
- 06 得到一阶段输出结果
- 07 完成三个阶段预测结果
- 08 项目总结
- 11 TSDF算法与应用
- 01 TSDF整体概述分析
- 02 合成过程DEMO演示
- 03 布局初始化操作
- 04 TSDF计算基本流程解读
- 05 坐标转换流程分析
- 06 输出结果融合更新
- 12 TSDF实战案例
- 01 环境配置概述
- 02 初始化与数据读取
- 03 计算得到TSDF输出
- 13 轨迹估计算法与论文解读
- 01 数据集与标注信息解读
- 02 整体三大模块分析
- 03 特征工程的作用与效果
- 04 传统方法与现在向量空间对比
- 05 输入细节分析
- 06 子图模块构建方法
- 07 特征融合模块分析
- 08 VectorNet输出层分析
- 14 轨迹估计预测实战
- 01 数据与环境配置
- 02 训练数据准备
- 03 Agent特征提取方法
- 04 DataLoader构建图结构
- 05 SubGraph与Attention模型流程
- 15 特斯拉无人驾驶解读
- 01 特斯拉无人驾驶解读