自动驾驶感知算法：目标检测/跟踪/识别培训课程
-
-
培训对象： 自动驾驶感知算法工程师、计算机视觉研发人员、深度学习算法工程师、AI应用开发者。
-
-
培训目标：
-
掌握基于深度学习的图像目标检测算法（YOLO、SSD、Faster R-CNN）。
-
能够实现多目标跟踪（SORT、DeepSORT）。
-
掌握激光雷达点云目标检测算法（PointPillars、VoxelNet）。
-
具备感知算法部署和优化能力。
-
-
培训内容介绍：
-
一、感知算法概述： 了解感知算法的核心任务（目标检测、目标分类、目标跟踪、语义分割、实例分割），掌握感知算法的输入输出。
二、卷积神经网络基础： 回顾CNN的基础知识（卷积层、池化层、全连接层、激活函数），掌握ResNet、MobileNet等骨干网络。
三、目标检测算法（YOLO）： 掌握YOLO系列算法的原理（锚框、边界框回归、置信度、类别预测），使用YOLOv5/v8训练目标检测模型。
四、目标检测算法（Faster R-CNN）： 了解Faster R-CNN的双阶段检测原理（RPN、RoI Pooling、分类回归），对比与YOLO的差异。
五、模型训练与数据集： 使用自动驾驶公开数据集（KITTI、nuScenes、Waymo），进行数据预处理、模型训练、超参数调优。
六、多目标跟踪（SORT）： 掌握SORT算法（卡尔曼滤波预测、匈牙利算法匹配），实现视频序列中的目标关联和跟踪。
七、多目标跟踪（DeepSORT）： 在SORT基础上加入外观特征（ReID），减少ID切换，提高遮挡情况下的跟踪鲁棒性。
八、激光雷达点云处理： 了解点云的数据特点（稀疏、无序、密度不均），掌握点云预处理（滤波、降采样、地面分割）。
九、点云目标检测（PointPillars）： 掌握PointPillars算法（点云转换为柱体、2D CNN检测），实现点云中的3D目标检测。
十、点云目标检测（VoxelNet）： 了解VoxelNet的体素化方法和3D卷积网络，处理稀疏点云中的特征提取。
十一、多模态融合： 实现摄像头与激光雷达的目标级融合（目标匹配、卡尔曼融合）或特征级融合，提升检测精度。
十二、实战项目：感知算法部署： 完成目标检测模型训练、跟踪算法集成，在自动驾驶数据集上评估算法性能。
如果您想学习本课程，请
预约报名
如果没找到合适的课程或有特殊培训需求，请
订制培训
除培训外，同时提供相关技术咨询与技术支持服务，有需求请发需求表到邮箱soft@info-soft.cn,或致电4007991916
技术服务需求表下载请点击
服务优势：
丰富专家资源，精准匹配相关行业，相关项目技术精英，面向用户实际需求，针对性培训或咨询，互动式交流，案例教学，精品小班，实际工程项目经验分享，快捷高效，节省时间与金钱，少走弯路与错路。
专家力量：
中国科学院相关研究所高级研究人员
西门子，TI,vmware，MSC,Ansys，MDI，Mentor, candence,Altium,Atmel 、Freescale,达索，华为等
大型公司高级工程师，项目经理，技术支持专家
中科信软培训中心，资深专家或讲师
大多名牌大学，硕士以上学历，相关学历背景专业，理论素养高
多年实际项目实践，大型复杂项目实战案例分享，热情，乐于技术分享
针对客户实际需要，真实案例演示，互动式沟通，学有所值
