Willkommen bei Visual Perception for Self-Driving Cars, dem dritten Kurs der Self-Driving Cars Specializations der University of Toronto. Dieser Kurs führt Sie in die wichtigsten Wahrnehmungsaufgaben beim autonomen Fahren ein, in die statische und dynamische Objekterkennung, und gibt einen Überblick über gängige Computer-Vision-Methoden für die Wahrnehmung von Robotern. Am Ende des Kurses werden Sie in der Lage sein, mit dem Lochkameramodell zu arbeiten, intrinsische und extrinsische Kamerakalibrierung durchzuführen, Bildmerkmale zu erkennen, zu beschreiben und zuzuordnen und Ihre eigenen neuronalen Faltungsnetzwerke zu entwerfen. Sie werden diese Methoden auf die visuelle Odometrie, die Objekterkennung und -verfolgung sowie die semantische Segmentierung zur Schätzung der befahrbaren Oberfläche anwenden. Diese Techniken stellen die wichtigsten Bausteine des Wahrnehmungssystems für selbstfahrende Autos dar. Für das Abschlussprojekt dieses Kurses werden Sie Algorithmen entwickeln, die Bounding Boxes für Objekte in der Szene identifizieren und die Grenzen der befahrbaren Oberfläche definieren. Sie werden mit synthetischen und realen Bilddaten arbeiten und Ihre Leistung anhand eines realistischen Datensatzes bewerten. Dies ist ein Kurs für Fortgeschrittene, der sich an Lernende mit Vorkenntnissen in Computer Vision und Deep Learning richtet. Um in diesem Kurs erfolgreich zu sein, sollten Sie über Programmiererfahrung in Python 3.0 verfügen und mit der Linearen Algebra vertraut sein (Matrizen, Vektoren, Matrixmultiplikation, Rang, Eigenwerte und Vektoren und Inversen).
Schenken Sie Ihrer Karriere Coursera Plus mit einem Rabatt von $160 , der jährlich abgerechnet wird. Sparen Sie heute.
Visuelle Wahrnehmung für selbstfahrende Autos
Dieser Kurs ist Teil von Spezialisierung Selbstfahrende Autos
Dozenten: Steven Waslander
42.424 bereits angemeldet
Bei enthalten
(571 Bewertungen)
Empfohlene Erfahrung
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
Zu Ihrem LinkedIn-Profil hinzufügen
4 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- 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
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.
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
Empfohlen, wenn Sie sich für Softwareentwicklung interessieren
University of Toronto
University of Toronto
University of Toronto
University of Toronto
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
Zeigt 3 von 571
571 Bewertungen
- 5 stars
77,44 %
- 4 stars
16,25 %
- 3 stars
4,02 %
- 2 stars
0,69 %
- 1 star
1,57 %
Geprüft am 6. Okt. 2019
Geprüft am 24. März 2019
Geprüft am 19. März 2021
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – 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
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.