Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
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
Nos clients témoignent (2)
Les compétences du formateur, et la bonne ambiance.
Sebastien CADET - Autoliv
I genuinely enjoyed the hands-on approach.
Kevin De Cuyper
Formation - Computer Vision with OpenCV
Traduction automatique