月薪60K算法岗面试，考察热门Occ算法及量产难点

最新推荐文章于 2025-01-21 15:54:12 发布
转载 最新推荐文章于 2025-01-21 15:54:12 发布 · 296 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247618082&idx=2&sn=5ee707a2b9fb02e15de379637a8f6448&chksm=cf1ece265119ce261b68a26825793d49cc722aa125292ba72bb26a2f16eebde77629152facd0&scene=126&sessionid=0
文章标签：

#面试 #职场和发展

近期，自动驾驶大厂和车企，陆续开启新一届秋招，CV感知算法岗尤其火爆，不仅要求发表顶会顶刊，对于感知前沿算法架构及上车难点，面试也进行了重点提问，比如大热的Occupancy，自特斯拉领先应用部署起，学界和业界便一直致力于Occupancy算法升级，进一步提升感知和预测能力，加速迈向端到端！

caebdd0d1fe175ab9dacf119dfdec73b.png

为了帮助大家高效掌握Occupancy技术，研梦非凡于7月16日（周二），邀请了一线车企研究院资深算法工程师Frank导师，为大家独家详解《自动驾驶Occ占位网络感知算法》（AI前沿直播课NO.54），从Occ占位网络感知算法概要、顶会经典算法，再到最新成果Flash-Occ及其创新点、架构原理，并重点讲解及演示代码，带大家1节课吃透Occupancy感知算法，校招社招狂接offer！

👇🏻扫描二维码找助教0元预约直播课！

c225bfb65e3e23fa5e9d569dbbf2ea14.png

凡预约即可领取Occ精选论文22篇（附源码）+自动驾驶顶会论文（39篇CVPR'24、46篇ICCV'23）！文末还有算力等科研福利！

b5f5c3d5b427edef5e9a7ac36e6afba1.gif

直播课内容概览

01 Occ占位网络算法概要

  1. Occ占位网络算法的起源

  2. 传统感知算法方案的缺陷

  • 过度依赖数据集

  • 数据集类别有限

  • 实际驾驶过程中存在大量未标注场景

  1. Occ占位网络算法的原理

  • 将世界坐标系下的3D空间建模，划分为voxel（体素）网格，并预测是否占用

  • voxel占据状态分为3种：Occupied、Free、Unobserved

  1. Occ占位网络算法的性能

  • 最高精度接近60% mIoU

02 Occ占位网络经典算法

  1. Occupancy Networks（2019首篇）

  • 该表示方式编码了高分辨率的3D输出，并且没有占用过多内存

  1. MonoScene（CVPR 2022）

  • 在联合推理场景的语义信息同时，解决了从2D到3D的场景重建的复杂问题

  1. OccFormer（ICCV 2023）

  • 有效处理了三维体积的语义占有率预测

  1. TPVFormer（CVPR 2023）

  • 有效地预测了所有体素的语义占用

03 Flash-Occ最新算法详解（重点）

  1. Flash-Occ: 快速且内存高效的占用预测模块（2023.11发布）

  2. 之前方法回顾

  • 优点：和基于BEV的3D感知算法相比，具有更好的感知能力

  • 缺点：环境空间3D体素特征的表示，引入了3D卷积进行特征提取，大大增加了模型的运算量和内存开销，上车部署困难

  1. Flash-Occ方法创新点

  • Flash-Occ算法使用2D卷积模块取代3D卷积模块，完成特征提取任务

  • Flash-Occ算法使用BEV特征取代Voxel体素特征，完成3D空间建模，减少模型计算量

  • Flash-Occ算法设计了一个通道高度转换模块，将BEV空间输出结果，提升至3D体素空间，完成最终结果预测

  1. 主干网络、各大模块

  2. 实验结果、性能对比

04 Flash-Occ代码速览（重点）

 · Flash-Occ代码实战演示

导师简介

Frank导师

国内一线车企研究院资深算法工程师，擅长感知算法方向，在语义分割、车道线检测、2D和3D目标检测、BEV目标检测等领域，具有丰富的项目创新和落地经验。

曾主导多个重大项目，精通算法研究和部署端优化，以主要研究者身份，发表过CVPR多模态方向论文，在CV领域积累了多篇授权和落地专利。

直播福利

参加本次直播的同学都将获得1小时导师meeting的福利（助教+导师）！原价2999，限时福利价9.9元！活动时间为7月16日到7月31日。

ps：研梦非凡开设的前沿论文系列直播，旨在帮助大家提升读论文技能，快速抓住重点，掌握有效方法，进而找到创新点，轻松完成论文报告。

👇🏻扫描二维码找助教0元预约直播课！

322bddfe6c342ce5e71d142c875646f2.png

凡预约即可领取Occ精选论文22篇（附源码）+自动驾驶顶会论文（39篇CVPR'24、46篇ICCV'23）！文末还有算力等科研福利！

5384aa9f0ec8141fa5498874ea17b3ad.gif

研梦非凡科研论文指导

如果你的研究方向/方法/idea是属于CV全方向/NLP全方向/机器学习/深度学习及AI+金融、医疗、交通等方向，如果你需要发CCF A-C、SCI一区-四区、EI会议/EI期刊、毕业大论文、毕业设计等，都可以来研梦非凡，匹配合适的科研指导。

自动驾驶方向现准备好的idea

3702cbea69a4f633c19850c1ccbcb625.png

👇🏻扫码找助教了解更多/验证自己的idea是否可行

f5e37f1e79561a7617800972b89a7eb8.png

研梦非凡科研论文指导方案

idea并不是直接拍脑门拍出来的，是一遍一遍实验、跑代码、改模型、思路修正的过程中产生的。研梦非凡1V1定制化论文指导，和研梦导师一起找idea，研梦导师指导实验，共同解决数据问题。授之以渔——搭建论文写作框架，增删改查，针对性实验指导！哪里薄弱补哪里！

d2b665fa8bf111e9e2ccfef6e80cdc17.jpeg60002d12d704b6a2479cb4d1463134e6.jpeg

<<< 左右滑动见更多 >>>

👇🏻扫描二维码咨询助教两种指导方案

8e2e23379a431cf7ea30f98eae548575.png

研梦非凡部分导师介绍

研梦非凡导师团队，来自海外QStop200、国内华五、C9、985高校的教授/博士导师/博士后，以及世界500强公司算法工程师、国内外知名人工智能实验室研究员等。

这是一支实力强大的高学历导师团队，在计算机科学、机器学习、深度学习等领域，积累了丰富的科研经历，研究成果也发表在国际各大顶级会议和期刊上，在指导学员的过程中，全程秉持初心，坚持手把手个性化带教。包括但不限于以下导师～

3e9139c55fa5b6fb212c923562bc5202.pnga8b0e828ea481f8ed664a8f2e65f4065.pngab1dd1ea5b88863dc862a2453a2b0d8f.pnga3b812602606cbb3b99ee6d273a91e3d.png

<<< 左右滑动见更多 >>>

👇🏻扫码加助教为你匹配合适课题的大牛导师

4ae570d31d02e1e1ace124f1eb648e08.png

研梦非凡科研福利

🌟90分钟人工智能零基础入门课免费领

🌟7小时科研论文写作系列课免费领

🌟数十节前沿论文直播课程免费领

🌟50小时3080GPU算力免费领

🌟百篇6月论文资料大合集免费领

🌟本号粉丝报名1v1科研论文指导减学费！ 

👇🏻扫码领取以上6重粉丝专属科研福利！

b524e6daa4ca2c8db893ad8bb0350be8.png

aede4eb5a8fabc30edca5f39151f3313.jpeg

occ算法真值构建
xiaomu_347的博客
05-14 361
occ算法真值产生
格灵深瞳视觉算法面试30问全景精解
weixin_51988935的博客
07-23 758
摘要 本文系统梳理了格灵深瞳(GREATVISION)视觉算法岗位面试的核心考点，精选30个典型问题，涵盖视频分析、异常检测、智能交通、行人重识别等关键领域。内容聚焦计算机视觉算法在安防、零售、交通等场景的实际应用，包括多目标跟踪、异常行为检测、车流量统计、行人重识别、视频目标检测、客流分析、模型压缩、遮挡处理、车牌识别等核心技术。每个问题均提供算法原理说明、数学公式表达、Python代码实现及工程应用分析，重点考察候选人在复杂场景下的算法创新能力和工程落地经验。通过结构化的问题解析，帮助面试者全面掌握视觉
经典文献阅读之--FlashOcc(快速且内存高效的占用预测模块)
lovely_yoshino的博客
06-11 1万+
鉴于能够缓解 3D 目标检测中普遍存在的长尾缺陷和复杂形状缺失的能力，占用预测已成为自动驾驶系统的关键组成部分。然而，三维体素级表示的处理不可避免地会在内存和计算方面引入大量开销，阻碍了迄今为止的占用预测方法的部署。与使模型变得更大、更复杂的趋势相反，《》认为理想的框架应该对不同的芯片进行部署友好，同时保持高精度。为此，本文提出了一种即插即用范例，即FlashOCC，以巩固快速且节省内存的占用预测，同时保持高精度。特别是，本文的 FlashOCC 基于当代体素级占用预测方法做出了两项改进。首先，
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds
weixin_44378835的博客
10-04 847
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds 摘要 In this paper, we propose a general autoencoder-based architecture for lossy geometry point cloud compression. it is the first autoencoder-based geometry compression codec that directly
【Occ感知】自动驾驶 Occupany network占用预测网络
热门推荐
一个普通的算法牛马
07-19 1万+
现在自动驾驶中的 Occupany network 到底是什么呢？为什么在如今的自动驾驶的感知算法中显得如此重要？它的优势是什么？Occupany network 与3D目标检测有什么区别？Occupany network 与3D语义分割有什么区别？
Occupancy一路升级上车，加速迈向端到端！
CV_Autobot的博客
07-11 383
从6月CVPR'24自动驾驶国际挑战赛，到7月理想智驾夏季发布会，无论学界还是业界，自特斯拉领先应用Occupancy Network起，圈内便一直致力于Occupancy算法升级，在三维空间建模、长尾障碍扫除、环境高效理解等原有优势下，进一步提升感知和预测能力，加速自动驾驶迈向端到端！为了帮助大家高效掌握Occupancy，研梦非凡于7月16日（周二），邀请了一线车企研究院资深算法工程师Fran...
Occupancy Network全览！占用网格下的感知方法汇总
CV_Autobot的博客
04-17 8093
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【BEV感知】技术交流群后台回复【OccupanyNetwork】获取Occupany Network相关论文干货资料！摘要网格中心感知是移动机器人感知和导航的关键领域。尽管如此，在自动驾驶中，网格中心感知不如目标中心感知更为普遍，因为自动驾驶车辆需要准确地感知高度动态、大规模的室外交通场景，并且以网格为中心的...
基于进化算法的卫星布局优化
最新发布
10-17
本文提出了一种结合遗传算法与Nelder-Mead精化方法的双阶段优化策略，用于解决卫星三维布局设计中的NP难问题。通过将组件布局建模为带行为约束的装箱问题，优化目标包括最小化质心偏移、惯性轴偏差以及组件间干涉。...
9道一定要是必知必会算法面试题全解析（java/python两种解法）
一名很普通的互联网打工人
05-11 759
说起算法,那大厂面试是绝对必考的,可以说是一块大厂 的敲门砖
OCC 网格化（三）-网格划分算法原理
cangqiongxiaoye的博客
08-03 1047
OCC 网格化（三）-网格划分算法原理
【论文笔记】FlashOcc: Fast and Memory-Efficient Occupancy Prediction via Channel-to-Height Plugin
weixin_45657478的博客
12-08 1327
【论文笔记】FlashOcc: Fast and Memory-Efficient Occupancy Prediction via Channel-to-Height Plugin
Flash-Occ
whaosoft143ai的博客
01-18 880
其中，bs代表batch size大小，frame代表输入到模型中的帧数（该算法模型的输入还包括历史帧的数据），num_cam代表环视图像中相机的个数，H、W分别代表输入图像的高和宽。尽管目前Occupancy Network相比于之前的基于BEV的3D感知算法有更好的感知优势，但因其将所要感知的环境空间利用3D体素特征进行中间表示，避免不了的会引入3D卷积等算子进行特征提取，无疑会大大增加模型的运算量和内存开销，从而为模型的上车部署造成不小的困难，严重影响了Occupancy Network算法的落地。
Flash-Occ：部署友好的占用网络算法长文解读来啦！
CV_Autobot的博客
01-27 3726
作者|Fangzh 编辑|自动驾驶Daily原文链接：https://zhuanlan.zhihu.com/p/678409689?点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群本文只做学术分享，如有侵权，联系删文前沿导读相较于目前的基于BEV空间的3D感知算法，Occupancy Network算法可以更好的克服感知任务中存在的长尾问...
【论文精读】FlashOcc：快速且内存高效的占用预测！
记录学习内容
01-21 1463
鉴于在3D目标检测中缓解长尾缺陷和复杂形状缺失的能力，occupancy已经成为自动驾驶系统中的一个关键组成部分。然而，3D体素级表示的处理不可避免地引入了在内存和计算上的巨大开销，阻碍了当前occupancy方法的部署。与使模型更大更复杂的趋势相反，本文认为一个理想的框架应该对各种芯片友好，同时保持高精度。为此，本文提出了一种即插即用的范式，即 FlashOcc，以在保持高精度的同时巩固快速和内存高效的占用预测。特别是，本文的 FlashOcc 基于当代体素级占用预测方法进行了两项改进。
Occupancy占据网络论文讲解与分析
slamer111的博客
10-20 2253
占据网络的综述
算法设计与分析---实验2.（占位）
CassielWolf
04-20 310
基于实验1的测试用例
【占用网络】FlashOcc：基于2D卷积的占用预测模型
黎国溥
01-17 1070
FlashOcc是一个它只需2D卷积就能实现“占用预测模型”，具有快速、节约内存、易部署的特点。它首先采用2D卷积提取图形信息，生成BEV特征。然后通过通道到高度变换，将BEV特征提升到3D空间特征。对于常规的占用预测模型，将3D卷积改为2D卷积，将三维体素特征改为BEV特征。而且不用Transformer注意力算子。
[自动驾驶技术]-7 Tesla自动驾驶方案之算法（AI Day 2022）
wendywm0496的博客
05-24 2658
特斯拉在2022年AI Day上更新了感知规控算法模型，核心引入了Occupancy技术。下图是特斯拉活动日展示的主题内容，本文主要解读Planning和Neural Network部分。
推荐使用FlashOcc：快速且内存高效的占用预测插件
gitblog_00071的博客
06-10 730
推荐使用FlashOcc：快速且内存高效的占用预测插件 随着自动驾驶系统的不断发展，占用预测已成为其中的关键组件，能有效解决3D对象检测中的长尾问题和复杂形状的缺失。然而，当前基于三维体素表示的方法在内存和计算上带来了巨大的开销，阻碍了其实时部署的可能性。与追求更大更复杂的模型趋势相反，我们提出了一种全新的解决方案——FlashOcc。这是一个设计精巧的插件式框架，旨在实现高精度、快速且内存友好的...
OCC算法自动驾驶
03-26
### OCC算法在自动驾驶中的应用与实现 #### 一、OCC算法概述 OCC（Occupancy Prediction）算法的核心在于通过传感器数据预测环境中物体的空间分布情况。这种预测不仅限于可见区域，还包括不可见区域的潜在占用状态。CTF-Occ网络作为一种专门针对3D占用预测设计的模型，在保持高效性能的同时，能够准确预测复杂环境中的空间布局[^3]。 #### 二、OCC算法的实现原理 OCC算法通常结合深度学习框架完成，主要分为以下几个部分： 1. **输入数据处理** 输入数据来源于多种传感器，如激光雷达（LiDAR）、摄像头等。这些传感器捕获的数据经过预处理形成统一格式的点云或图像数据。例如，DriveWorld项目利用大规模预训练模型来提升检测、地图构建、跟踪和运动预测等多个任务的表现[^4]。 2. **特征提取** 特征提取阶段采用卷积神经网络（CNN）或其他先进的深度学习架构。对于3D占用预测，常用的有PointNet++、VoxelNet等方法。这些方法可以有效捕捉局部几何结构并生成全局描述符。 3. **占用概率估计** 使用回归或分类的方式计算每个体素被占据的概率。这一过程可能涉及到多尺度融合策略以增强细节保留能力。例如，HOG特征检测器曾用于早期目标检测领域，虽然其适用范围较窄，但在某些特定条件下仍具有参考价值[^2]。 4. **后处理优化** 预测结果需进一步平滑化并通过阈值设定最终确定哪些位置被认为是“已占”。此外还可以引入时间维度上的连续性约束改善稳定性。 #### 三、代码示例 以下是基于PyTorch的一个简单OCC算法实现片段，展示了如何定义一个基础的3D占用预测网络： ```python import torch import torch.nn as nn import torch.optim as optim class SimpleOCCNet(nn.Module): def __init__(self, input_channels=1, output_classes=2): super(SimpleOCCNet, self).__init__() # 定义简单的卷积层序列 self.conv_layers = nn.Sequential( nn.Conv3d(input_channels, 16, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool3d(kernel_size=2), nn.Conv3d(16, 32, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool3d(kernel_size=2) ) # 输出层 self.fc_layer = nn.Linear(32 * 8 * 8 * 8, output_classes) def forward(self, x): batch_size = x.size(0) features = self.conv_layers(x) flattened = features.view(batch_size, -1) out = self.fc_layer(flattened) return out # 初始化模型及相关组件 model = SimpleOCCNet() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练循环伪代码 for epoch in range(num_epochs): for data in dataloader: inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() print("Training completed.") ``` 此代码仅为示意用途，实际部署时应考虑更复杂的网络结构及更多的超参数调整选项。 #### 四、总结 综上所述，OCC算法通过对周围环境语义信息的有效感知支持了自动驾驶系统的决策制定过程。无论是理论层面还是实践操作均体现了高度的技术集成度和技术难度。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值