University of Toronto
Perception visuelle pour les voitures auto-conduites
University of Toronto

Perception visuelle pour les voitures auto-conduites

Steven Waslander
Jonathan Kelly

Instructeurs : Steven Waslander

42 395 déjà inscrits

Inclus dans le siteCoursera Plus

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7

(571 avis)

niveau Avancées

Expérience recommandée

Planning flexible
Env. 31 heures
Apprenez à votre propre rythme
96%
La plupart des apprenants ont aimé ce cours
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7

(571 avis)

niveau Avancées

Expérience recommandée

Planning flexible
Env. 31 heures
Apprenez à votre propre rythme
96%
La plupart des apprenants ont aimé ce cours

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

Obtenez un certificat professionnel

Ajouter à votre profil LinkedIn

Évaluations

4 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

Emplacement réservé

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation Voitures auto-conduites
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
  • 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
Emplacement réservé
Emplacement réservé

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

Emplacement réservé

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

Évaluations de l’enseignant
4.7 (74 évaluations)
Steven Waslander
University of Toronto
4 Cours167 023 apprenants
Jonathan Kelly
University of Toronto
4 Cours167 023 apprenants

Offert par

University of Toronto

Recommandé si vous êtes intéressé(e) par Développement de logiciels

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Avis des étudiants

Affichage de 3 sur 571

4.7

571 avis

  • 5 stars

    77,44 %

  • 4 stars

    16,25 %

  • 3 stars

    4,02 %

  • 2 stars

    0,69 %

  • 1 star

    1,57 %

RG
5

Révisé le 6 oct. 2019

LK
4

Révisé le 24 mars 2019

TI
5

Révisé le 4 juin 2020

Emplacement réservé

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