注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. kitti的label对应的xml

  2. kitti的标签对应的xml文件，划分为三个包，包括train、val、test。

  3. 所属分类：深度学习

    • 发布日期：2019-05-08
    • 文件大小：1048576
    • 提供者：qq_41552060

  1. Kitti数据集标签转voc

  2. Kitti数据集yolov3车辆检测，将Kitti数据集中的车辆标签单独提取，用于四类车辆检测

  3. 所属分类：深度学习

    • 发布日期：2020-06-19
    • 文件大小：2048
    • 提供者：qq_35224449

  1. 点云中的数据增强(Point cloud)

  2. 点云中的数据增强方法 本文基于相机坐标展示(kitti中的标签是相机坐标系) 一 旋转(相机坐标系沿y轴旋转) import numpy as np def rotation_points_single_angle(points, angle, axis=0): # points: [N, 3] rot_sin = np.sin(angle) rot_cos = np.cos(angle) if axis == 1: rot_mat_T = np

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：75776
    • 提供者：weixin_38537941

  1. Complex-YOLOv4-Pytorch:本文基于YOLOv4的PyTorch实现-源码

  2. 复杂的YOLOv4 本文基于YOLOv4的PyTorch实现： 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 使用旋转框的损失进行优化。 更新2020.08.26 ： 更快的训练，更快的推理 无锚的方法 无需非最大抑制 示范（在GTX 1080Ti上） 2.入门 2.1。要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。资料准备 从下载3D KITTI检测数据集。 下载的数据包括

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：6291456
    • 提供者：weixin_42151729

  1. SFA3D:基于3D LiDAR点云的超快速，准确的3D对象检测（PyTorch实现）-源码

  2. 基于3D LiDAR点云的超快速，准确的3D对象检测 特征 基于LiDAR的超快速，准确的3D对象检测 快速训练，快速推理 无锚的方法 没有非最大抑制 支持 发布预训练的模型 技术细节在描述 更新2020.09.06 ：添加ROS源代码。 已经完成了出色的工作。 实现在 演示（在单个GTX 1080Ti上） 2.入门 2.1。 要求 有关设置虚拟环境的说明，请参见。 git clone https://github.com/maudzung/SFA3D.git SFA3D cd S

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：47185920
    • 提供者：weixin_42133753

  1. Waymo-Pytorch-数据加载器：Waymo Pytorch数据加载器，用于对象检测任务-源码

  2. Waymo Pytorch数据加载器 Pytorch数据加载器用于对象检测任务 快速附加到您的kitti培训文件 具有校准和标签对象的基蒂格式 仅使用顶部激光雷达和所有5张图像 仅串行数据加载器，如有任何更改，请随时发送请求请求 安装 git clone Waymo-pytorch-dataloader git clone https://github.com/gdlg/simple-waymo-open-dataset-reader 或递归下载子存储库，例如 git clone Waymo-

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：18432
    • 提供者：weixin_42109178

  1. 3D_CNN_tensorflow：用于车辆检测的KITTI数据处理和3D CNN-源码

  2. KiTTI数据处理和3D CNN用于车辆检测 用于车辆检测的3D CNN 使用PointCloud数据进行车辆检测的3D全卷积网络参考：点云中用于车辆检测的3D全卷积网络 主文件是“ model_01_deconv.py” 数据加载功能为“ input_velodyne.py” 示例（3D边界框：8个顶点）不执行NMS 需求 Python 张量流 ROS Python-PCL（如果不使用pcl，请在input_velodyne.py中注释掉相关代码 KiTTI数据处理 数据集是KITTI 3

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：1048576
    • 提供者：weixin_42151036

  1. 3D-Deepbox：使用深度学习和几何（MultiBin）进行3D边界框估计-源码

  2. 使用深度学习和几何的3D边界框估计 本文的Tensorflow实现：Mousavian，Arsalan等。 进行。 该项目的目的是从单个二维图像预测边界框的大小和对象在3D空间中的方向。 先决条件 TensorFlow 脾气暴躁的 OpenCV tqdm 安装 克隆存储库git clone https://github.com/smallcorgi/3D-Deepbox.git 下载KITTI对象检测数据集，calib和标签（ ）。 下载权重文件（vgg_16.ckpt）。 cd $3

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：2097152
    • 提供者：weixin_42115003

  1. 基于卷积神经网络特征和改进超像素匹配的图像语义分割

  2. 非参数语义分割算法易受到图像检索精度和语义类别不均衡数据集的影响而导致语义分割精度下降。针对这些问题，提出了一种基于卷积神经网络(CNN)特征和改进超像素匹配的图像语义分割算法。通过CNN学习得到图像特征，降维后进行图像检索，得到精度更高的检索集；利用高斯核密度估计对检索集图像的超像素加权，提升稀少类目标超像素标签的匹配精度，从而提高查询图像的语义分割精度。在SIFTflow和KITTI数据库上的实验结果显示，本文算法的每像素和平均每类语义分割精度均达到最优。

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：7340032
    • 提供者：weixin_38729685

  1. 先进驾驶辅助系统中基于单目视觉的场景深度估计方法

  2. 针对先进驾驶辅助系统对车辆前视景深信息的需求,在无监督学习框架下提出了一种基于单目视觉的场景深度估计方法。为了降低不同尺寸的前视目标对景深估计结果的影响,采用金字塔结构对输入图像进行预处理;在训练过程中,将深度估计问题转化为图像重建问题,利用双目图像设计了新的损失函数代替真实深度标签,解决了真实场景景深数据难以获取的问题;将中间多尺度的视差图与原输入图像的尺寸统一,改善了深度图中的空洞现象,提升了景深估计精度。在KITTI和Make3D数据集上的定量与定性对比结果表明,本方法可以获得准确度较高的

  3. 所属分类：其它

    • 发布日期：2021-01-22
    • 文件大小：10485760
    • 提供者：weixin_38665449