-
学习时长
11小时
-
答疑服务
2个月/专属微信群答疑服务,助教答疑
-
课程有效期
一年/告别拖延,温故知新
- 第1章: Transformer在图像分类中的应用
- 1: 【课件】Transformer在图像分类中的应用
- 第1节: 图像分类数据集介绍
- 2: 【视频】图像分类数据集
- 第2节: 基于CNN的图像分类模型
- 3: 【视频】基于CNN的图像分类
- 第3节: 基于transformer的图像分类模型
- 4-1: 【视频】基于Transformer的图像分类算法
- 4-2: 【视频】ViT算法精讲
- 4-3: 【视频】TNT算法精讲
- 4-4: 【视频】CvT算法精讲
- 第4节: 本章小节
- 5: 【视频】本章小结
- 第2章: Transformer在目标检测中的应用
- 6: 【课件】Transformer在目标检测中的应用
- 第1节: 目标检测基本知识
- 7: 【视频】 目标检测基础
- 第2节: CNN-based目标检测
- 8-1: 【视频】基于CNN目标检测概述
- 8-2: 【视频】两阶段目标检测
- 8-3: 【视频】一阶段目标检测
- 第3节: Transformer-based目标检测
- 9: 【视频】基于Transformer的目标检测
- 第4节: 本章总结
- 10: 【视频】总结
- 第3章: Transformer在图像分割中的应用
- 11: 【课件】Transformer在图像分割中的应用
- 第1节: 图像分割任务介绍及其相关数据集
- 12: 【视频】 图像分割任务介绍及其相关数据集
- 第2节: 基于CNN的图像分割方法
- 13: 【视频】基于CNN的图像分割方法
- 第3节: 基于 Transformer 的语义分割
- 14: 【视频】基于 Transformer 的语义分割
- 第4节: 本章总结
- 15: 【视频】总结
- 第4章: 端到端自动驾驶介绍
- 第1节: 端到端优势
- 第2节: 现有方案梳理
- 第3节: 端到端系统:模块拆解与数据需求
- 第4节: 端到端算法指标评测
- 第5章: 两段式端到端方法
- 第1节: 基于Transformer的BEV感知:以BEVFormer为例
- 第2节: BEVFormer感知模型的工程实现
- 第3节: BEV for Occupancy and Mapless
- 第4节: 基于Transformer的规划
- 第6章: 一段式端到端方法
- 第1节: 一段式E2E的设计思路
- 第2节: UniAD算法思路
- 第3节: 模型主体结构
- 第4节: 算法实现