University of Toronto
Visuelle Wahrnehmung für selbstfahrende Autos
University of Toronto

Visuelle Wahrnehmung für selbstfahrende Autos

Dieser Kurs ist Teil von Spezialisierung Selbstfahrende Autos

Steven Waslander
Jonathan Kelly

Dozenten: Steven Waslander

42.792 bereits angemeldet

Bei Coursera Plus enthalten

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.7

(574 Bewertungen)

Stufe Fortgeschritten

Empfohlene Erfahrung

Flexibler Zeitplan
Ca. 31 Stunden
In Ihrem eigenen Lerntempo lernen
96%
Den meisten Lernenden hat dieser Kurs gefallen
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.7

(574 Bewertungen)

Stufe Fortgeschritten

Empfohlene Erfahrung

Flexibler Zeitplan
Ca. 31 Stunden
In Ihrem eigenen Lerntempo lernen
96%
Den meisten Lernenden hat dieser Kurs gefallen

Was Sie lernen werden

  • Arbeiten Sie mit dem Lochkameramodell und führen Sie eine intrinsische und extrinsische Kamerakalibrierung durch

  • Erkennen, beschreiben und vergleichen Sie Bildmerkmale und entwerfen Sie Ihre eigenen neuronalen Faltungsnetzwerke

  • Wenden Sie diese Methoden auf visuelle Odometrie, Objekterkennung und -verfolgung an

  • Semantische Segmentierung für die Schätzung der befahrbaren Oberfläche anwenden

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

4 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Platzhalter

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung Selbstfahrende Autos
Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.
  • Lernen Sie neue Konzepte von Branchenexperten
  • Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
  • Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
  • Erwerben Sie ein Berufszertifikat zur Vorlage
Platzhalter
Platzhalter

Erwerben Sie ein Karrierezertifikat.

Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.

Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.

Platzhalter

In diesem Kurs gibt es 7 Module

Dieses Modul führt in die wichtigsten Konzepte aus dem weiten und spannenden Feld der Computer Vision ein, die für die Entwicklung von Wahrnehmungsmethoden für selbstfahrende Fahrzeuge erforderlich sind. Zu den wichtigsten Komponenten gehören Kameramodelle und deren Kalibrierung, monokulares und Stereosehen, projektive Geometrie und Faltungsoperationen.

Das ist alles enthalten

4 Videos4 Lektüren1 Diskussionsthema

Dieses Modul führt in die wichtigsten Konzepte aus dem weiten Feld der Computer Vision ein, die für die Entwicklung von Wahrnehmungsmethoden für selbstfahrende Fahrzeuge erforderlich sind. Zu den wichtigsten Komponenten gehören Kameramodelle und deren Kalibrierung, monokulares und Stereosehen, projektive Geometrie und Faltungsoperationen.

Das ist alles enthalten

6 Videos4 Lektüren1 Aufgabe1 Programmieraufgabe2 Unbewertete Labore

Visuelle Merkmale werden verwendet, um Bewegungen in einer Umgebung zu verfolgen und um Orte auf einer Karte zu erkennen. Dieses Modul beschreibt, wie Merkmale in einer Bildsequenz erkannt und verfolgt und mit anderen Quellen zur Lokalisierung zusammengeführt werden können, wie in Kurs 2 beschrieben. Die Extraktion von Merkmalen ist auch für die Objekterkennung und die semantische Segmentierung in tiefen Netzwerken von grundlegender Bedeutung. In diesem Modul werden einige der in diesem Zusammenhang verwendeten Methoden zur Merkmalserkennung vorgestellt.

Das ist alles enthalten

6 Videos5 Lektüren1 Programmieraufgabe1 Unbewertetes Labor

Deep Learning ist eine der wichtigsten Technologien für die selbstfahrende Wahrnehmung. Dieses Modul gibt eine kurze Einführung in die Kernkonzepte moderner neuronaler Faltungsnetzwerke, wobei der Schwerpunkt auf Methoden liegt, die sich bei Aufgaben wie der Objekterkennung und der semantischen Segmentierung als effektiv erwiesen haben. Es werden grundlegende Netzwerkarchitekturen, gemeinsame Komponenten und hilfreiche Tools für die Konstruktion und das Training von Netzwerken beschrieben.

Das ist alles enthalten

6 Videos6 Lektüren1 Aufgabe

Die beiden häufigsten Anwendungen tiefer neuronaler Netze für das selbstfahrende Auto sind die Objekterkennung, einschließlich Fußgänger, Radfahrer und Fahrzeuge, und die semantische Segmentierung, bei der Bildpixel mit nützlichen Bezeichnungen wie Schild, Ampel, Bordstein, Straße, Fahrzeug usw. verknüpft werden. In diesem Modul werden Basistechniken für die Objekterkennung vorgestellt und im folgenden Modul wird die semantische Segmentierung eingeführt, die beide verwendet werden können, um eine vollständige Pipeline für die Wahrnehmung selbstfahrender Autos zu erstellen.

Das ist alles enthalten

4 Videos4 Lektüren1 Aufgabe

Die zweithäufigste Anwendung tiefer neuronaler Netze für das selbstfahrende Auto ist die semantische Segmentierung, bei der Bildpixel mit nützlichen Bezeichnungen wie Schild, Ampel, Bordstein, Straße, Fahrzeug usw. verknüpft werden. Die Hauptanwendung für die Segmentierung ist die Identifizierung der befahrbaren Oberfläche, was bei der Schätzung der Bodenebene, der Objekterkennung und der Beurteilung der Fahrbahnbegrenzung hilft. Die Segmentierungskennzeichen werden auch direkt in die Objekterkennung als Pixelmasken integriert, und zwar für statische Objekte wie Schilder, Lichter und Fahrspuren sowie für sich bewegende Objekte wie Autos, Lastwagen, Fahrräder und Fußgänger

Das ist alles enthalten

3 Videos3 Lektüren1 Aufgabe

Das letzte Modul dieses Kurses befasst sich mit der Implementierung eines Kollisionswarnsystems, das ein selbstfahrendes Auto über die Position und Kategorie von Hindernissen in seiner Fahrspur informiert. Das Projekt besteht aus drei großen Teilen: 1) Schätzung des befahrbaren Raums in 3D, 2) Semantische Fahrspurschätzung und 3) Filterung falscher Ausgaben aus der Objekterkennung mithilfe semantischer Segmentierung.

Das ist alles enthalten

4 Videos1 Programmieraufgabe1 Diskussionsthema1 Unbewertetes Labor

Dozenten

Lehrkraftbewertungen
4.7 (74 Bewertungen)
Steven Waslander
University of Toronto
4 Kurse168.424 Lernende
Jonathan Kelly
University of Toronto
4 Kurse168.424 Lernende

von

Empfohlen, wenn Sie sich für Softwareentwicklung interessieren

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

4.7

574 Bewertungen

  • 5 stars

    77,56 %

  • 4 stars

    16,17 %

  • 3 stars

    4 %

  • 2 stars

    0,69 %

  • 1 star

    1,56 %

Zeigt 3 von 574 an

RG
5

Geprüft am 6. Okt. 2019

LK
4

Geprüft am 24. März 2019

TI
5

Geprüft am 4. Juni 2020

Platzhalter

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.

Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.

Häufig gestellte Fragen