【尊享】ZX090 – 计算机视觉及其在自动驾驶感知系统中的应用（第二期） [13.3G]

【尊享】ZX090 – 计算机视觉及其在自动驾驶感知系统中的应用（第二期） [13.3G]

┣━━01.视频 [12.9G]
┃ ┣━━第0章 加餐：机器学习及深度学习基础及方法 [2.5G]
┃ ┃ ┣━━1-1 什么是机器学习和人工智能、深度学习介绍.abc [348.1M]
┃ ┃ ┣━━1-10 误差前向传播与梯度逆向传播.abc [111.3M]
┃ ┃ ┣━━1-11 深度学习常用的正则项.abc [223.1M]
┃ ┃ ┣━━1-12 深度学习模型的挑战.abc [126.9M]
┃ ┃ ┣━━1-2 深度学习基础知识-线性代数.abc [259.1M]
┃ ┃ ┣━━1-3 深度学习基础知识-最优化理论.abc [172.6M]
┃ ┃ ┣━━1-4 有监督学习、无监督学习、强化学习等概念.abc [271.9M]
┃ ┃ ┣━━1-5 模型的概念、模型的表达能力、泛化能力、过拟合、欠拟合.abc [531.7M]
┃ ┃ ┣━━1-6 数据集、参数与超参.abc [74.7M]
┃ ┃ ┣━━1-7 线性可分支持向量机（SVM 为例）.abc [181.6M]
┃ ┃ ┣━━1-8 深度学习方法内容概述.abc [37.2M]
┃ ┃ ┗━━1-9 神经网络模型.abc [211.4M]
┃ ┣━━第10章 车道线检测算法精讲与系统构建 [630.4M]
┃ ┃ ┣━━10-1 车道线检测任务概述.abc [82.7M]
┃ ┃ ┣━━10-2 ANCHORBASED的车道线检测系统.abc [106.5M]
┃ ┃ ┣━━10-3 基于分割的车道线检测方法.abc [104M]
┃ ┃ ┗━━10-4 实践：车道线检测后处理相关的知识.abc [337.2M]
┃ ┣━━第11章 自动驾驶感知融合方法 [110.8M]
┃ ┃ ┣━━1-基于图像与激光雷达数据的前融合方法Multiview2D.abc [73.4M]
┃ ┃ ┗━━2-后处理感知融合策略：卡尔曼滤波方法.abc [37.4M]
┃ ┣━━第12章 基于深度学习的多目标跟踪系统 [1.3G]
┃ ┃ ┣━━【第12章】课件.zip [14.7M]
┃ ┃ ┣━━11-1 多目标跟踪之基础（上）.abc [103M]
┃ ┃ ┣━━11-2 多目标跟踪之基础（下）.abc [27.1M]
┃ ┃ ┣━━11-3 卡尔曼滤波算法.abc [74.9M]
┃ ┃ ┣━━11-4 基于深度学习表观特征的跟踪.abc [53.2M]
┃ ┃ ┣━━11-5 DEEPSORT系统.abc [66.4M]
┃ ┃ ┣━━11-6 实战.abc [434.7M]
┃ ┃ ┣━━11-7 直播答疑（上）.abc [157.4M]
┃ ┃ ┣━━11-8 直播答疑（中）.abc [162.4M]
┃ ┃ ┗━━11-9 直播答疑（下）.abc [266M]
┃ ┣━━第13章 基于计算机视觉的红绿灯识别系统 [538.3M]
┃ ┃ ┣━━12-1 红绿灯识别基本思路.abc [41.9M]
┃ ┃ ┣━━12-2 红绿灯检测与状态识别.abc [125.4M]
┃ ┃ ┣━━12-3 红绿灯检测与状态识别（上.abc [83M]
┃ ┃ ┣━━12-4 红绿灯检测与状态识别（下）.abc [166.3M]
┃ ┃ ┗━━12-5 基于状态机的红绿灯状态优化.abc [121.6M]
┃ ┣━━第14章 基于视觉特征的辅助定位技术 [269.1M]
┃ ┃ ┣━━13-1 基于车道线与灯杆检测的辅助定位技术.abc [154.6M]
┃ ┃ ┗━━13-2 建立vslam地图与vslam地图自动标注.abc [114.5M]
┃ ┣━━第15章 自动驾驶计算机视觉的未来展望 [1.2G]
┃ ┃ ┣━━14-1 基于4D时空融合的感知系统.abc [255.4M]
┃ ┃ ┣━━14-2 基于视频的检测与跟踪系统.abc [88M]
┃ ┃ ┣━━14-3 基于端到端的自动驾驶.abc [71.6M]
┃ ┃ ┣━━14-4 直播答疑（上）.abc [478.1M]
┃ ┃ ┗━━14-5 直播答疑（下）.abc [343.5M]
┃ ┣━━第16章 实战：自动驾驶多模型大DEMO [215M]
┃ ┃ ┣━━【期末】作业.pdf [221.4K]
┃ ┃ ┗━━期末答疑.abc [214.8M]
┃ ┣━━第1章 深度学习基础 [643.1M]
┃ ┃ ┣━━1-1 卷积神经网络基本原理.abc [153.1M]
┃ ┃ ┣━━1-2 实操：卷积神经网络.abc [46.5M]
┃ ┃ ┣━━1-3 反向传播及公式推导.abc [104.4M]
┃ ┃ ┣━━1-4 反向传播梯度计算推导.abc [23.9M]
┃ ┃ ┣━━1-5 图像中的几种变形卷积.abc [68.5M]
┃ ┃ ┣━━1-6 什么是尺度不变性.abc [49.2M]
┃ ┃ ┣━━1-7 CNN与transformer（上）.abc [75M]
┃ ┃ ┣━━1-8 CNN与transformer（下）.abc [63.5M]
┃ ┃ ┗━━2-9 VIT transformer及其变种（第二期新增）.abc [58.8M]
┃ ┣━━第2章 目标检测算法系统精讲 [883M]
┃ ┃ ┣━━2-1 传统目标检测算法RCNN.abc [52.9M]
┃ ┃ ┣━━2-2 二阶段目标检测算法.abc [18.4M]
┃ ┃ ┣━━2-3 FasterRCNN算法原理精讲.abc [143M]
┃ ┃ ┣━━2-4 Realtime的二阶段检测算法.abc [63.6M]
┃ ┃ ┣━━2-5 目标检测前沿算法.abc [225.4M]
┃ ┃ ┣━━2-6 SSD与YOLO系列算法的原理（上）.abc [167.6M]
┃ ┃ ┣━━2-7 SSD与YOLO系列算法的原理（下）.abc [73.2M]
┃ ┃ ┣━━2-8 YOLOv4-YOLOv5算法的改进点精讲.abc [82.7M]
┃ ┃ ┗━━2-9 RetinaNet目标检测杠把子（第二期新增）.abc [56.1M]
┃ ┣━━第3章 AnchorFree系列目标检测算法精讲 [1G]
┃ ┃ ┣━━3-1 AnchorFree检测算法原理.abc [139.2M]
┃ ┃ ┣━━3-2 CenterNet算法精讲.abc [65.8M]
┃ ┃ ┣━━3-3 通过CenterNet构建复杂多头网络.abc [62.8M]
┃ ┃ ┣━━3-4 实操：CenterNet代码讲解.abc [261.1M]
┃ ┃ ┣━━3-5 第一章到第三章作业答疑（上）.abc [121.7M]
┃ ┃ ┣━━3-5 直播答疑.abc [244.8M]
┃ ┃ ┗━━3-6 第一章到第三章作业答疑（下）.abc [130.7M]
┃ ┣━━第4章 语义分割算法系统精讲 [458.5M]
┃ ┃ ┣━━4-1 语义分割概述.abc [140.2M]
┃ ┃ ┣━━4-2 语义分割的自动驾驶应用.abc [62.1M]
┃ ┃ ┣━━4-3 基于语义分割的Landmark检测与车道线提取.abc [93.6M]
┃ ┃ ┣━━4-4 基于语义分割的Landmark检测与车道线提取.abc [56.8M]
┃ ┃ ┗━━4-5 语义分割模型的优化.abc [105.6M]
┃ ┣━━第5章 实例分割与全景算法系统精讲 [960.4M]
┃ ┃ ┣━━5-1 MaskRCNN算法原理.abc [226.2M]
┃ ┃ ┣━━5-2 实践：MaskRCNN算法原理.abc [231.6M]
┃ ┃ ┣━━5-3 基于SOLOv2的实例分割算法（上）.abc [97.3M]
┃ ┃ ┣━━5-4 基于SOLOv2的实例分割算法（下）.abc [38.4M]
┃ ┃ ┣━━5-5 实例分割算法的工程TensorRT加速与优化.abc [40.5M]
┃ ┃ ┣━━5-6 实践：实例分割算法的工程TensorRT加速与优化.abc [188.2M]
┃ ┃ ┣━━5-7 全景分割算法PanopticFCN（上）.abc [69M]
┃ ┃ ┗━━5-8 全景分割算法PanopticFCN（下）.abc [69.2M]
┃ ┣━━第6章 深度学习模型的部署与TensorRT加速 [804.2M]
┃ ┃ ┣━━6-1 为什么要使用TensorRT加速.abc [83.8M]
┃ ┃ ┣━━6-2 TENSORRT加速的效果（上）.abc [489.4M]
┃ ┃ ┣━━6-3 TENSORRT加速的效果（下）.abc [172.2M]
┃ ┃ ┗━━6-4 通过TENSORRT进行模型的量化.abc [58.8M]
┃ ┣━━第7章 深度学习模型量化与剪枝概述 [505.3M]
┃ ┃ ┣━━7-1 量化算法的基本理论（上）.abc [48.7M]
┃ ┃ ┣━━7-2 量化算法的基本理论（下）.abc [64.3M]
┃ ┃ ┣━━7-3 量化感知训练与后训练量化（上）.abc [53.7M]
┃ ┃ ┣━━7-4 量化感知训练与后训练量化（下）.abc [69.6M]
┃ ┃ ┣━━7-6 基于 PyTorch 的量化感知训练 QAT 实战(上).abc [157.3M]
┃ ┃ ┗━━7-6 基于 PyTorch 的量化感知训练 QAT 实战(下).abc [111.7M]
┃ ┣━━第8章 单目与多目传感器的视觉测距系统 [547.8M]
┃ ┃ ┣━━8-1 单目测距与多目测距的原理（上）.abc [50.4M]
┃ ┃ ┣━━8-2 单目测距与多目测距的原理（下）.abc [82.8M]
┃ ┃ ┣━━8-3 基于单目的深度估计（上）.abc [59.5M]
┃ ┃ ┣━━8-4 基于单目的深度估计（下）.abc [121.7M]
┃ ┃ ┣━━8-5 基于单目的3D障碍物感知（上）.abc [36.9M]
┃ ┃ ┣━━8-6 基于单目的3D障碍物感知（下）.abc [68M]
┃ ┃ ┗━━8-7 实战：单目深度估计.abc [128.5M]
┃ ┗━━第9章 基于计算机视觉的无人车障碍物感知系统 [517.4M]
┃ ┣━━9-1 多模型综合实践.abc [159.2M]
┃ ┣━━9-2 基于检测与分割的障碍物感知系统.abc [108M]
┃ ┗━━9-3 基于深度估计与检测的障碍物感知系统.abc [250.2M]
┗━━00.资料.zip [337.8M]

admin网站管理

收藏 海报 链接