单目深度估计方法：算法梳理与代码实现

应用背景介绍

在自动驾驶中，如何获取车辆行人等目标的深度信息，是当前很多研究中较为重要的技术点，如3D重建，障碍物检测，SLAM等等。传统上，获取高精度目标深度信息的方法，通常是利用激光雷达或结构光在物体表面的反射获取深度点云，但因其价格昂贵和同步的困难，在自动驾驶领域大规模应用和部署还有一定的距离。

随着特斯拉纯视觉方案的成功以及Tesla AI日惊艳的效果，相机因为其价格低廉、获取信息内容丰富，体积小巧等优点，成为自动驾驶领域较为热门的传感器技术之一。相应地，单目视觉深度估计也受到了研究的热捧，受到了更多的关注。

课程链接：单目深度估计方法：算法梳理与代码实现

相关岗位要求及待遇

自动驾驶持续受到资本青睐。2021年以来，陆续收到多家自动驾驶公司获得4亿美元以上的投资的好消息，如独角兽公司Momenta，专注重卡领域的图森科技、智加科技等。目前，重卡无人驾驶汽车图森科技已经成功上市，智加科技也传来即将上市的消息，可见自动驾驶这条赛道是非常具有潜力的。

相关企业对深度估计相关岗位的需求也日益增加，华为、百度、图森、滴滴、Momenta、小鹏、蔚来等公司更是开出高薪聘请相关人才，助力相关产品的落地研发，下面几个截图是某招聘网站上对深度估计相关岗位的要求及待遇：

如何快速从入门到精通

随着AI技术的发展，深度学习的入门门槛越来越低，但关于单目深度估计的课程还是相对较少，尤其是深度估计工程化方向的课程更少，令许多对该领域感兴趣的同学无从下手。因此，我们借助工坊这个平台，推出《单目深度估计方法：理论与实战》，希望能够凭借自己的一些工程经验帮助大家快速进入该领域。

《单目深度估计方法：理论与实战》课程主要分为两大部分：理论篇和实战篇，由两位知名自动驾驶公司的高级算法工程师教授。由于有监督方法的深度真值获取困难，且无监督方法的效果与有监督方法几乎相当，我们将课程的重心放在了无监督方法上。

其中，理论篇主要包括：深度估计相关的损失函数、评价指标等基础理论，传统深度估计方法、无监督深度估计方法等理论知识。实战部分包括：传统深度估计方法和深度学习方法，偏向于无监督深度估计以及相关应用等等。

课程大纲

课程的第一章针对单目深度估计的背景和研究现状展开详细的叙述，随后是与深度估计相关的计算机视觉基础和深度学习基础。

虽然本课程内容主要是单目深度估计，但你同样可以在这里学习到双目深度估计的相关理论：对极几何学。本课程中某些基于单目的方法同时也可以适配双目数据集，比如Monodepth2，FeatDepth, ......

在第三章中，我们会为你详细解读最近几年state-of-art无监督单目深度估计论文的原理，分析每篇论文实际解决的问题，并评价它们的优缺点。

你是否遇到过在公开数据集上训练的效果还不错，但转移到自己数据集上训练就翻车？你是否需要将训练好的模型泛化到不同的数据集上？

如果是，那么第四章的实战部分就是为你准备的！在实战部分，我们不仅会手把手地教你如何在自己数据集上训练模型，而且会传授大量调参技巧和改进优化经验，让你少走弯路，高效掌握深度估计算法的应用。

在第五章里，针对模型预测的深度图，我们会为你介绍Boosting的优化方法，提高深度图的细节信息，最后我们会介绍相对深度的尺度恢复和伪激光的可视化。

1. 深入浅出，循序渐进，为你从理论到实战逐个攻破；

2. 讲师多年的工程经验倾情奉献，数据、源码开源帮助你更好地理解每处细节；

3. 理论结合实践，课时结束后布置练习项目，答疑群内，讲师和你在线交流遇到的难题；

4. 优质的学习圈子，你可以和来自清华大学、慕尼黑工业大学，上海交通大学、南京大学、华中科技大学、西北工业大学等高校学子一起讨论学习，你踩过的坑他们大概率也踩过；

5. 真正能面向工业落地的内容分享；

1. 对深度估计相关理论有较深的理解

2. 能够掌握传统方法以及state-of-art无监督深度估计方法的核心理论

3. 能够在自有数据集上实现深度估计模型的训练和调参

4. 针对深度学习实战中遇到的各种问题，掌握分析原因、解决问题的技能

5. 能够真正对接企业对视觉算法工程师在深度估计方向的技术栈要求

课程要求及面向对象

1. 主要面向自动驾驶领域、SLAM领域相关的在读本科生、硕士、博士，以及正在工作岗位上的一线工程算法人员，也欢迎想要转入该领域的其它方向的同学；

2. 需要有一定的计算机视觉相关基础知识，对camera和Lidar等硬件和模型有一定了解；

3. 对线性代数、矩阵论、概率论有一定的了解；

4. 熟悉Python编程，对深度学习框架Pytorch和Tensorflow有一定的基础

课程链接：单目深度估计方法：算法梳理与代码实现