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. 车辆检测文献

  2. ：针对传统的车辆检测算法无法自适应地完成在复杂场景变化下提取目标相应特征的现象，提出了一种基于深 度学习的车辆检测算法，该算法结合了Ｆａ ｓ ｔ ｅ ｒＲ ＣＮＮ开源框架和Ｌｏ ｃ Ｎｅ ｔ网络算法。首先，利用ＲＰＮ算法获得图片 中的候选区域，以减少检测过程中对每张图片的计算量；然后，进入 Ｆａ ｓ ｔＲ ＣＮＮ网络，利用该深度网络中的卷积层 和池化层，自适应地获得车辆目标的所有特征；最后，进入Ｌｏ ｃ Ｎｅ ｔ网络，通过输入已经得到的图片候选区域，通过卷 积层和池化层，不断计算候选区域边

  3. 所属分类：深度学习

  1. 基于YOLO神经网络的实时车辆检测代码

  2. 基于深度学习的实时车辆检测代码，详情见博客：http://blog.csdn.net/adamshan/article/details/79193775

  3. 所属分类：深度学习

    • 发布日期：2018-01-29
    • 文件大小：12mb
    • 提供者：adamshan

  1. 基于深度学习的汽车目标检测

  2. 基于深度学习的汽车目标检测，有关于深度学习的目标检测算法学习 项目书配套学习代码，可运行，有测试图。

  3. 所属分类：深度学习

    • 发布日期：2020-04-28
    • 文件大小：2kb
    • 提供者：qq_42411670

  1. 基于计算机视觉和深度学习的自动驾驶方法研究.caj

  2. 自动驾驶是指车辆通过传感器感知周围环境，在没有人为干预的情况下，实时 改变驾驶行为，完成驾驶任务。自动驾驶可以减少交通事故的发生，提高道路交通 资源的使用率，节约居民的出行成本，因此对自动驾驶技术的研究具有重要意义。 基于计算机视觉的自动驾驶技术使用视觉传感器的观测图像作为输入，驾驶 动作作为输出。现有方法主要分为间接感知型（ Mediated Perception ）方法、直接 感知型（ Direct Perception ）方法和端到端控制（ End-to-End Control ）方法。其

  3. 所属分类：深度学习

    • 发布日期：2020-09-05
    • 文件大小：15mb
    • 提供者：qq_39818885

  1. nd013-c2-fusion-starter:Udacity无人驾驶汽车工程师纳米学位计划的课程2项目的入门代码-源码

  2. SDCND：传感器融合和跟踪 这是第二课程的：传感器融合和跟踪。 在此项目中，您将融合来自LiDAR和摄像机的测量结果，并随时间跟踪车辆。 您将使用来自Waymo开放数据集的真实数据，检测3D点云中的对象，并应用扩展的卡尔曼滤波器进行传感器融合和跟踪。 该项目包括两个主要部分： 对象检测：在这一部分中，基于3D点云的鸟瞰图，深度学习方法用于检测LiDAR数据中的车辆。 此外，一系列性能指标可用于评估检测方法的性能。 目标跟踪：在这一部分中，基于激光雷达检测与摄像头检测相融合的扩展卡尔曼滤

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：1004kb
    • 提供者：weixin_42169674

  1. car-detection:基于YOLOv2的车辆检测系统-源码

  2. 汽车检测 基于对YOLOv2的迁移学习内置的神经网络模型 训练集来自于drive.ai 项目图文介绍及核心代码见 如无法打开，可参考以下文字介绍 以下对项目实现原理做一个简要介绍 这是我在coursera的深度学习课程上完成的一个项目的源代码，属于一个自动驾驶项目的一部分，用于检测道路上的车辆及其他障碍物 数据的采集是通过汽车初步摄像头拍摄，输入数据是多个维度为（608,608,3）的RGB格式图片 输出是一个四维向量（19,19,5,85）的向量，最后一维结构为（p，x，y，h，w，c1，c2

  3. 所属分类：其它

  1. 基于深度学习的车位智能检测方法

  2. 提出了一种基于深度学习的车位智能检测方法。利用TensorFlow深度学习平台对车辆目标识别模型进行了训练, 提取了有效车辆图像的优化间隔, 给出了车辆分布的精准识别结果, 实现了对车辆分布识别结果的有序编号和车位空缺状况的准确判断。利用模拟数据和实际采集数据, 分别验证了车位分布的智能识别、车位智能编号和空车位判断的可靠性。

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：18mb
    • 提供者：weixin_38652636

  1. 一种基于YOLOv3的红外目标检测系统

  2. 针对未来战场感知体系的自动化和智能化的需求，设计出了一种基于深度学习的战场红外目标检测系统。近年来随着深度卷积神经网络在图像识别领域的广泛应用，因此将这项新技术应用于军事目标检测具有极强的现实意义。系统通过红外成像机芯采集红外图像，使用图像采集卡实时传输图像数据，最后在主机端利用深度卷积神经网络进行目标检测。以YOLOv3算法作为基础，以某款金属车辆模型为例，采集该型车辆的红外图像数据并制作相应的数据集，训练得到相应的检测内核。通过实验证明，检测速度可达在30 帧/秒以上，且在fps达到30的前

  3. 所属分类：其它

  1. 基于行人检测的交通安全智能警示系统

  2. 设计了一种基于深度学习行人检测算法的交通安全智能警示系统。该系统通过计算图像的灰度和模糊度来进行红外切换，再通过相应的YOLOv3算法检测行人目标，并对行人目标候选框提取局部二值模式特征（LBP）和多层感知器（MLP）分类。处理器在检测到行人后控制光电模块示警，视觉上警示行驶车辆减速慢行；同时控制扬声器播报语音，听觉上提醒行人小心通过；处理器会控制FM无线发射器，使在一定距离内且相同频道的车载收音机播放“前方有行人通过”的提示音，提醒过路司机。经过实际测试，此系统有效起到了对行人和过路司机的提示

  3. 所属分类：其它

  1. 用于车辆检测的锚点生成优化和兴趣区域分配

  2. 基于区域提议网络（RPN）的对象检测，例如具有CNN的快速区域（Faster R-CNN），由于其高精度和快速而备受关注。 但是，在特殊应用场合（例如车载车辆检测）中使用时，它还有改进的余地。 原始RPN在最后一个特征图的每个像素上均匀地定位多尺度锚点，并分类一个锚点是前景还是背景的一部分，在最后一个特征图中具有一个像素。 最后一个特征图中每个像素的接受场在原始的更快的R-CNN中固定，并且与锚点大小不一致。 因此，大型车辆只能看到某个部分，而小型车辆的特征中包含太多无用的信息。 这降低了检测精

  3. 所属分类：其它