课程目录

• 实战资料
• pytorch-1.7.1-cu110
• torch-1.7.1+cu110-cp37-cp37m-linux_x86_64.whl
• torchvision-0.8.2+cu110-cp37-cp37m-linux_x86_64.whl
• Anaconda3-2019.03-Linux-x86_64.sh
• apex
• centernet2_checkpoint.pth
• nuscenes-devkit
• v1.0-mini.tar
• 001.多模态感知基础介绍PPT
• 002.1.0 课程介绍
• 003.1.1 自动驾驶系统介绍
• 004.1.2 多模态感知的常用传感器
• 005.1.3 相关2D和3D感知基础知识
• 006.1.4 常用公开数据集
• 007.3D目标检测PPT.pptx
• 008.2.1二维和三维目标检测的异同点
• 009.2.2基于图像的3D目标检测
• 010.2.3基于激光雷达的3D目标检测
• 011.2.4.基于融合的3D目标检测
• 012.2.5本章总结
• 013.第三章 前融合方法PPT.pptx
• 014.3.1 前融合方法介绍
• 015.3.2 PointPainting
• 016.3.3 PointAugmenting
• 017.3.4 MVP
• 018.3.5.1 MVP代码实战：环境搭建
• 019.3.5.2 MVP代码实战：配置资料.docx
• 020.3.5.3 代码详解1
• 021.3.5.4 代码详解2
• 022.3.5.5 实战效果
• 023.3.6 本章总结
• 024.4.1 特征级融合方法介绍
• 025.4.2.1 EPNet
• 026.4.2.2 EPNet++
• 027.4.4 autoalign_v2
• 028.4.5 deepfusion
• 029.4.6 Transfusion
• 030.4.7 deepinteraction
• 031.4.8 CMT
• 032.4.9 SparseFusion
• 033.第四章总结
• 034.5.1 后融合方法介绍
• 035.5.2 CLOCs算法详解
• 036.5.3 Fast-CLOCs
• 037.第五章总结
• 038.6.1 基于时序感知方法的优势
• 039.6.2 常见的时序建模方式
• 040.6.3 BEV融合方法详解
• 041.6.4 BEVFusion4D网络详解
• 042.6.5 本章总结
• 多模态融合3D目标检测教程（视频+答疑）_文件目录.txt