Bienvenue à Visual Perception for Self-Driving Cars, le troisième cours de la Specialization Self-Driving Cars de l'Université de Toronto. Ce cours vous présentera les principales tâches de perception dans la conduite autonome, la détection d'objets statiques et dynamiques, et passera en revue les méthodes courantes de vision par ordinateur pour la perception robotique. À la fin de ce cours, vous serez en mesure de travailler avec le modèle de caméra à sténopé, d'effectuer un étalonnage intrinsèque et extrinsèque de la caméra, de détecter, de décrire et de faire correspondre les caractéristiques de l'image et de concevoir vos propres réseaux neuronaux convolutifs. Vous appliquerez ces méthodes à l'odométrie visuelle, à la détection et au suivi d'objets, ainsi qu'à la segmentation sémantique pour l'estimation de la surface carrossable. Pour le projet final de ce cours, vous développerez des algorithmes qui identifient les boîtes de délimitation des objets dans la scène et définissent les limites de la surface carrossable. Vous travaillerez avec des données d'images synthétiques et réelles, et évaluerez vos performances sur un ensemble de données réalistes. Il s'agit d'un cours avancé, destiné aux apprenants ayant des connaissances en vision par ordinateur et en apprentissage profond. Pour réussir ce cours, vous devez avoir une expérience de la programmation en Python 3.0 et une bonne connaissance de l'algèbre linéaire (matrices, vecteurs, multiplication de matrices, rang, valeurs propres, vecteurs et inverses).
Perception visuelle pour les voitures auto-conduites
Ce cours fait partie de Spécialisation Voitures auto-conduites
Instructeurs : Steven Waslander
42 395 déjà inscrits
Inclus dans le site
(571 avis)
Expérience recommandée
Ce que vous apprendrez
Travailler avec le modèle de caméra à sténopé et effectuer l'étalonnage intrinsèque et extrinsèque de la caméra
Détecter, décrire et faire correspondre les caractéristiques d'une image et concevoir vos propres réseaux neuronaux convolutifs
Appliquer ces méthodes à l'odométrie visuelle, à la détection et au suivi d'objets
Appliquer la segmentation sémantique pour l'estimation de la surface carrossable
Détails à connaître
Ajouter à votre profil LinkedIn
4 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 7 modules dans ce cours
Ce module présente les principaux concepts du vaste et passionnant domaine de la vision par ordinateur nécessaires pour progresser dans les méthodes de perception pour les véhicules à conduite autonome. Les principaux composants incluent les modèles de caméra et leur calibration, la vision monoculaire et stéréo, la géométrie projective et les opérations de convolution.
Inclus
4 vidéos4 lectures1 sujet de discussion
Ce module présente les principaux concepts du vaste domaine de la vision par ordinateur nécessaires pour progresser dans les méthodes de perception pour les véhicules à conduite autonome. Les principaux composants incluent les modèles de caméra et leur calibration, la vision monoculaire et stéréo, la géométrie projective et les opérations de convolution.
Inclus
6 vidéos4 lectures1 devoir1 devoir de programmation2 laboratoires non notés
Les caractéristiques visuelles sont utilisées pour suivre les mouvements dans un environnement et pour reconnaître des lieux sur une carte. Ce module décrit comment les caractéristiques peuvent être détectées et suivies à travers une séquence d'images et fusionnées avec d'autres sources pour la localisation comme décrit dans le cours 2. L'extraction de caractéristiques est également fondamentale pour la détection d'objets et la segmentation sémantique dans les réseaux profonds, et ce module présente certaines des méthodes de détection de caractéristiques employées dans ce contexte également.
Inclus
6 vidéos5 lectures1 devoir de programmation1 laboratoire non noté
L'apprentissage profond est une technologie de base pour la perception de la conduite autonome. Ce module présente brièvement les concepts fondamentaux utilisés dans les réseaux neuronaux convolutionnels modernes, en mettant l'accent sur les méthodes qui se sont avérées efficaces pour des tâches telles que la détection d'objets et la segmentation sémantique. Les architectures de base des réseaux, les composants communs et les outils utiles pour la construction et l'entraînement des réseaux sont décrits.
Inclus
6 vidéos6 lectures1 devoir
Les deux applications les plus courantes des réseaux neuronaux profonds à la conduite autonome sont la détection d'objets, y compris les piétons, les cyclistes et les véhicules, et la segmentation sémantique, qui associe les pixels de l'image à des étiquettes utiles telles que panneau, lumière, trottoir, route, véhicule, etc. Ce module présente les techniques de base pour la détection d'objets et le module suivant introduit la segmentation sémantique. Ces deux techniques peuvent être utilisées pour créer un pipeline complet de perception de la voiture autonome.
Inclus
4 vidéos4 lectures1 devoir
La deuxième application la plus courante des réseaux neuronaux profonds à la conduite autonome est la segmentation sémantique, qui associe les pixels de l'image à des étiquettes utiles telles que panneau, lumière, trottoir, route, véhicule, etc. La segmentation sert principalement à identifier la surface carrossable, ce qui facilite l'estimation du plan du sol, la détection des objets et l'évaluation des limites de la voie. Les étiquettes de segmentation sont également directement intégrées dans la détection d'objets sous forme de masques de pixels, pour les objets statiques tels que les panneaux, les feux et les voies, et les objets mobiles tels que les voitures, les camions, les bicyclettes et les piétons
Inclus
3 vidéos3 lectures1 devoir
Le dernier module de ce cours se concentre sur la mise en œuvre d'un système d'alerte de collision qui avertit une voiture autonome de la position et de la catégorie des obstacles présents dans sa voie. Le projet est composé de trois segments principaux : 1) L'estimation de l'espace de conduite en 3D, 2) L'estimation sémantique des voies et 3) Le filtrage des résultats erronés de la détection d'objets à l'aide de la segmentation sémantique.
Inclus
4 vidéos1 devoir de programmation1 sujet de discussion1 laboratoire non noté
Instructeurs
Offert par
Recommandé si vous êtes intéressé(e) par Développement de logiciels
University of Toronto
University of Toronto
University of Toronto
Columbia University
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
Affichage de 3 sur 571
571 avis
- 5 stars
77,44 %
- 4 stars
16,25 %
- 3 stars
4,02 %
- 2 stars
0,69 %
- 1 star
1,57 %
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, tous inclus dans votre abonnement
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.
Si vous vous êtes abonné, vous bénéficiez d'une période d'essai gratuite de 7 jours pendant laquelle vous pouvez annuler votre abonnement sans pénalité. Après cette période, nous ne remboursons pas, mais vous pouvez résilier votre abonnement à tout moment. Consultez notre politique de remboursement complète.