文件名称：Lyft-Perception-Challenge:Udacity Lyft挑战的道路和汽车的语义分割
文件大小：33.72MB
文件格式：ZIP
更新时间：2024-06-04 02:53:55
汽车和道路的语义分割 Lyft感知挑战 目标： 从模拟汽车内部的前置摄像头数据对对象（汽车和路面）进行逐像素细分。 结果： 我开始挑战时一无所知。 我确定我什至不会进入前100名竞争者，但我想：“这太糟糕了，我喜欢研究深度学习问题”。 我很高兴能学到很多东西，甚至获得第七名。 数据 该项目的所有相机数据均来自。 从模拟器收集数据的速度比真实世界快得多，并且可以让我们快速迭代感知管道，然后再使用真实世界数据进行微调。 这是模拟器生成的输入图像（左）和分割（右）的样本。 分割图像中的每个像素值代表一类对象（行人，汽车，车道，道路等）。 挑战赛提供了1000张图像，从各种天气条件入手。 我很早就发现，这些数据不足以训练我的网络。 我当时在Macbook Air上进行编码，太小了，无法运行CARLA。 但是，当我使用来自其他竞争对手（ ）的其他数据来训练我的网络时，我看到我的汽
【文件预览】：
Lyft-Perception-Challenge-master
----model()
--------unet.py(21KB)
--------losses.py(4KB)
--------__pycache__()
----img()
--------mixed_test_video_output_10_50.gif(31.05MB)
--------test_9720.png(94KB)
--------test_5405.png(117KB)
--------test_8261.png(118KB)
--------pspnet.png(120KB)
--------tb_dice_coeff.png(163KB)
--------fcn.png(85KB)
--------unet.png(311KB)
--------leaderboard.png(65KB)
--------f-score-grade.png(18KB)
--------tb_val_loss.png(155KB)
--------icnet.png(288KB)
--------rgb_segmented.png(177KB)
--------tb_train_loss.png(163KB)
----input()
--------augment.py(4KB)
----UNet-Lyft-512.ipynb(1.4MB)
----README.md(15KB)