（1）ADAS视觉感知系统概述：了解ADAS的发展历程、分级标准（SAE J3016 L0-L5）及典型功能（FCW/AEB/ACC/LKA/APA）对视觉感知的技术需求。掌握ADAS软件系统的整体架构（感知层、决策层、执行层）及各模块的功能与数据流。理解摄像头在ADAS传感器体系中的核心地位及其与雷达、激光雷达的协同关系。学习视觉感知系统面临的挑战：光照变化、天气影响、实时性要求、小目标检测、遮挡处理等。
（2）开发环境搭建与工具链：配置Python深度学习开发环境，安装OpenCV、PyTorch/TensorFlow、NumPy、Matplotlib等核心库。熟悉Google Colab云平台的使用方法，利用GPU加速模型训练。掌握主流自动驾驶数据集（KITTI、Cityscapes、BDD100K、nuScenes）的特点与使用规范。学习数据标注工具（LabelImg、CVAT）的基本操作。
（3）数字图像处理基础：理解数字图像的生成与表示方式，包括像素、分辨率、灰度深度、色彩空间（RGB、HSV、Lab）及其转换原理。掌握图像预处理技术：图像增强、直方图均衡化、滤波去噪、边缘检测（Sobel、Canny）。学习图像几何变换：仿射变换、透视变换在相机标定与校正中的应用。为深度学习模型提供高质量的输入数据。
（4）深度学习基础与卷积神经网络：理解神经元模型、激活函数（ReLU、Leaky ReLU）、损失函数、优化器（SGD、Adam）的原理。掌握卷积神经网络的核心组件：卷积层（卷积核、步长、填充）、池化层、全连接层、批归一化、Dropout。学习经典CNN架构（LeNet、AlexNet、VGG、ResNet）的演进与特点，理解残差连接解决梯度消失的核心思想。
（5）图像分类在ADAS中的应用：掌握图像分类任务的完整流程，包括数据集准备、数据增强技术（随机裁剪、水平翻转、色彩抖动）、模型训练与评估。学习交通标志识别（TSR）系统的实现方法，使用迁移学习对预训练模型（ResNet、EfficientNet）进行微调。理解分类模型在ADAS中的典型应用场景：交通信号灯识别、车型分类、路面标志识别。
（6）目标检测技术：深入理解目标检测的核心任务（目标分类+定位）及其在ADAS中的应用（车辆检测、行人检测、障碍物检测）。掌握两阶段检测器（Faster R-CNN）和一阶段检测器（YOLO系列、SSD）的原理与演进。学习锚框（Anchor Box）的设计策略、非极大值抑制（NMS）的实现。实战训练YOLO目标检测模型，实现自定义数据集的道路目标检测应用。
（7）语义分割与可行驶区域检测：掌握基于深度学习的图像分割技术，理解语义分割在ADAS中的应用场景：可行驶区域分割、路面分割、自由空间估计。学习全卷积网络（FCN）的核心思想、U-Net的编码器-解码器架构、DeepLab系列的空洞卷积与空间金字塔池化。实战实现基于U-Net的道路场景语义分割模型。
（8）车道线检测技术：掌握车道线检测的经典方法与深度学习方法。学习传统方法：边缘检测+霍夫变换、透视变换+滑动窗口搜索。理解基于深度学习的车道线检测算法（LaneNet、SCNN、Ultra-Fast-Lane-Detection）的原理与演进。实战实现端到端的车道线检测模型，解决车道线遮挡、弯曲、光照变化等挑战。
（9）BEV鸟瞰视图感知：深入理解特斯拉纯视觉感知系统的核心技术演进：从CNN多任务模型到Transformer+BEV的架构创新。学习BEV感知的核心思想：将多摄像头图像从透视视图转换到鸟瞰视图，实现统一的空间表达。掌握基于Transformer的BEV感知算法（BEVFormer、LSS）的基本原理。了解BEV感知在融合多摄像头数据、实现3D目标检测中的优势。
（10）多任务学习与共享骨干网络：学习ADAS感知系统中多任务学习的架构设计，理解共享骨干网络（Backbone）与任务特定头部（Head）的分离。掌握YOLOP等统一感知网络的设计思想，同时实现目标检测、可行驶区域分割和车道线检测。实现多任务损失函数的平衡设计与联合训练策略。
（11）多传感器融合技术：理解视觉与雷达、激光雷达融合的必要性与技术挑战。掌握前融合、特征融合、后融合等不同融合策略的优缺点。学习基于卡尔曼滤波的目标跟踪与融合方法，实现检测结果的时序稳定性优化。了解传感器时空同步标定的基本原理。
（12）综合项目实战：ADAS视觉感知系统开发：结合所学知识，完成一个完整的ADAS视觉感知项目（如高速公路自动驾驶感知系统、城市道路目标检测与可行驶区域分割）。涵盖需求分析、数据集准备、多任务模型设计与训练、模型优化与压缩、嵌入式平台部署（TensorRT/ONNX）和效果评估的全流程，形成规范的ADAS视觉感知项目报告。
