本模块介绍了计算机视觉这一广泛领域的主要概念，这些概念是自驾车感知方法取得进展所必需的。 主要内容包括相机模型及其校准、单目和立体视觉、投影几何和卷积操作。

视觉特征用于跟踪环境中的运动和识别地图中的地点。 本模块将介绍如何通过一系列图像检测和跟踪特征，并与课程 2 中描述的其他来源融合以进行定位。 特征提取也是深度网络中物体检测和语义分割的基础，本模块也将介绍在此背景下使用的一些特征检测方法。

深度学习是自动驾驶感知的核心技术。 本模块简要介绍了现代卷积神经网络所采用的核心概念，重点是已被证明对物体检测和语义分割等任务有效的方法。 本模块将介绍基本网络架构、常用组件以及用于构建和训练网络的有用工具。

深度神经网络在自动驾驶领域最常见的两种应用是物体检测（包括行人、骑自行车者和车辆）和语义分割（将图像像素与有用的标签关联起来，如标志、灯光、路边、道路、车辆等）。 本模块将介绍物体检测的基线技术，下一模块将介绍语义分割技术，这两种技术都可用于创建完整的自动驾驶汽车感知管道。

深度神经网络在自动驾驶领域的第二大应用是语义分割，它将图像像素与有用的标签（如标志、灯光、路边、道路、车辆等）联系起来。 分割的主要用途是识别可驾驶表面，这有助于地平面估计、物体检测和车道边界评估。 对于静态物体（如标志、灯光和车道）和移动物体（如汽车、卡车、自行车和行人），分割标签还可以作为像素掩码直接集成到物体检测中。

本课程的最后一个模块重点关注碰撞预警系统的实施，该系统可提醒自动驾驶汽车注意车道上障碍物的位置和类别。 该项目由三个主要部分组成：1) 估算三维可驾驶空间；2) 语义车道估算；3) 使用语义分割过滤来自物体检测的错误输出。