Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
Introducción a Computer Vision en la Conducción Autónoma
- Rol de la visión por computadora en los sistemas de vehículos autónomos
- Desafíos y soluciones en el procesamiento de la visión en tiempo real
- Conceptos clave: detección de objetos, seguimiento y comprensión de la escena
Fundamentos del Procesamiento de Imágenes para Vehículos Autónomos
- Adquisición de imágenes de cámaras y sensores
- Operaciones básicas: filtrado, detección de bordes y transformaciones
- Canalizaciones de preprocesamiento para tareas de visión en tiempo real
Detección y Clasificación de Objetos
- Extracción de características utilizando SIFT, SURF y ORB
- Algoritmos de detección clásicos: HOG y Haar cascades
- Enfoques de aprendizaje profundo: CNN, YOLO y SSD
Detección de Carriles y Marcas Viales
- Transformada de Hough para la detección de líneas y curvas
- Extracción de la región de interés (ROI) para el marcado de carriles
- Implementación de la detección de carriles utilizando OpenCV y TensorFlow
Segmentación Semántica para la Comprensión de la Escena
- Comprensión de la segmentación semántica en la conducción autónoma
- Técnicas de aprendizaje profundo: FCN, U-Net y DeepLab
- Segmentación en tiempo real utilizando redes neuronales profundas
Detección de Obstáculos y Peatones
- Detección de objetos en tiempo real con YOLO y Faster R-CNN
- Seguimiento de múltiples objetos con SORT y DeepSORT
- Reconocimiento de peatones utilizando HOG y modelos de aprendizaje profundo
Sensor Fusion para una Percepción Mejorada
- Combinación de datos de visión con LiDAR y RADAR
- Filtrado de Kalman y filtrado de partículas para la integración de datos
- Mejora de la precisión de la percepción con técnicas de fusión de sensores
Evaluación y Prueba de Sistemas de Visión
- Evaluación comparativa de modelos de visión con conjuntos de datos automotrices
- Evaluación y optimización del rendimiento en tiempo real
- Implementación de una canalización de visión para la simulación de la conducción autónoma
Estudios de Caso y Aplicaciones del Mundo Real
- Análisis de sistemas de visión exitosos en automóviles autónomos
- Proyecto: Implementación de una canalización de detección de carriles y obstáculos
- Discusión: Tendencias futuras en la visión por computadora automotriz
Resumen y Próximos Pasos
Requerimientos
- Competencia en programación Python
- Comprensión básica de los conceptos de aprendizaje automático
- Familiaridad con las técnicas de procesamiento de imágenes
Público objetivo
- Desarrolladores de IA que trabajan en aplicaciones de conducción autónoma
- Ingenieros de visión artificial centrados en la percepción en tiempo real
- Investigadores y desarrolladores interesados en la IA automotriz
21 Horas
Testimonios (1)
I genuinely enjoyed the hands-on approach.
