Plan du cours

Introduction à Computer Vision dans la conduite autonome

  • Rôle de la vision par ordinateur dans les systèmes de véhicules autonomes
  • Défis et solutions pour le traitement de la vision en temps réel
  • Concepts clés : détection d'objets, suivi et compréhension de la scène

Fondamentaux du traitement d'image pour les véhicules autonomes

  • Acquisition d'images à partir d'appareils photo et de capteurs
  • Opérations de base : filtrage, détection de contours et transformations
  • Pipelines de prétraitement pour les tâches de vision en temps réel

Détection et classification d'objets

  • Extraction de caractéristiques à l'aide de SIFT, SURF et ORB
  • Algorithmes de détection classiques : HOG et Haar cascades
  • Approches d'apprentissage profond : CNN, YOLO et SSD

Détection des voies et du marquage routier

  • Transformée de Hough pour la détection de lignes et de courbes
  • Extraction de la région d'intérêt (ROI) pour le marquage des voies
  • Implémentation de la détection des voies à l'aide de OpenCV et TensorFlow

Segmentation sémantique pour la compréhension de la scène

  • Comprendre la segmentation sémantique dans la conduite autonome
  • Techniques d'apprentissage profond : FCN, U-Net et DeepLab
  • Segmentation en temps réel à l'aide de réseaux neuronaux profonds

Détection d'obstacles et de piétons

  • Détection d'objets en temps réel avec YOLO et Faster R-CNN
  • Suivi multi-objets avec SORT et DeepSORT
  • Reconnaissance de piétons à l'aide de HOG et de modèles d'apprentissage profond

Sensor Fusion pour une perception améliorée

  • Combinaison des données de vision avec LiDAR et RADAR
  • Filtrage de Kalman et filtrage de particules pour l'intégration des données
  • Amélioration de la précision de la perception grâce aux techniques de fusion de capteurs

Évaluation et test des systèmes de vision

  • Évaluation comparative des modèles de vision avec les ensembles de données automobiles
  • Évaluation et optimisation des performances en temps réel
  • Implémentation d'un pipeline de vision pour la simulation de la conduite autonome

Études de cas et applications réelles

  • Analyse des systèmes de vision réussis dans les voitures autonomes
  • Projet : implémentation d'un pipeline de détection des voies et des obstacles
  • Discussion : tendances futures de la vision par ordinateur automobile

Résumé et prochaines étapes

Pré requis

  • Maîtrise de la programmation Python
  • Notions de base en apprentissage automatique
  • Connaissance des techniques de traitement d'images

Public cible

  • Développeurs d'IA travaillant sur des applications de conduite autonome
  • Ingénieurs en vision par ordinateur spécialisés dans la perception en temps réel
  • Chercheurs et développeurs intéressés par l'IA automobile
 21 Heures

Nombre de participants


Prix ​​par Participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires