文件名称：颜色分类leetcode-SDC-Vehicle-Detection:Udacity项目-车辆检测
文件大小：227.78MB
文件格式：ZIP
更新时间：2024-07-26 15:36:33
系统开源
颜色分类leetcode Udacity SDC：车辆检测 该项目的目标是实施一个能够实时检测移动车辆的强大管道。 尽管该项目旨在使用经典的计算机视觉技术，即 HOG 特征和 SVM 分类器，但与课程组织者一致，我决定像其他一些学生一样采用深度学习方法。 最近几年发表了几篇关于使用深度卷积网络进行目标检测的重要论文。 更具体地说，是目前使用 CNN 进行实时对象检测的最新技术。 尽管前三种方法之间存在一些差异，但它们共享相同的一般管道。 即，检测网络的设计基于以下规则： 使用在 ImageNet 上训练的深度卷积网络作为多尺度特征源。 通常，VGG、ResNet 或 Inception； 提供一组预定义的锚框，以不同的位置和比例平铺图像。 它们与经典 CV 检测算法中的滑动窗口方法具有相同的目的； 对于每个锚框，修改后的 CNN 提供了每个对象类别的概率（和无检测概率），以及检测到的框和关联的锚框之间的偏移量（x、y、宽度和高度）。 网络的检测输出使用非最大选择算法进行后处理，以去除重叠框。 对于这个项目，我决定实现 SSD 检测器，因为后者在准确性和速度之间提供了很好的折衷（请注意，
【文件预览】：
SDC-Vehicle-Detection-master
----deployment()
--------model_deploy.py(26KB)
--------__init__.py(1B)
----COMMANDS.md(7KB)
----challenge_video_cars.mp4(1.33MB)
----checkpoints()
--------ssd_300_vgg.ckpt.zip(93.19MB)
--------ssd_model.ckpt.meta(343KB)
--------ssd_model.ckpt.data-00000-of-00001(93.64MB)
--------checkpoint(85B)
--------ssd_model.ckpt.index(3KB)
----caffe_to_tensorflow.py(2KB)
----notebooks()
--------ssd_kitti_tests.ipynb(1.7MB)
--------ssd_tests.ipynb(1.3MB)
----project_video.mp4(24.1MB)
----vehicle-detection.html(1.97MB)
----pictures()
--------ssd_pipeline.png(105KB)
--------ssd_anchors.png(52KB)
--------ssd_network.png(360KB)
--------ssd_preprocessing.png(707KB)
--------ssd_tensorboard.png(96KB)
----vehicle-detection.ipynb(1.69MB)
----train_ssd_network.py(22KB)
----output_images()
--------test2.jpg(206KB)
--------test1.jpg(261KB)
--------test6.jpg(273KB)
--------test4.jpg(237KB)
--------test3.jpg(177KB)
--------test5.jpg(285KB)
----tf_convert_data.py(2KB)
----project_video_cars.mp4(4.64MB)
----datasets()
--------kitti_common.py(1KB)
--------dataset_utils.py(5KB)
--------kitti_to_tfrecords.py(9KB)
--------__init__.py(1B)
--------pascalvoc_to_tfrecords.py(8KB)
--------pascalvoc_common.py(4KB)
--------cifar10.py(3KB)
--------dataset_factory.py(2KB)
--------pascalvoc_2007.py(2KB)
--------pascalvoc_2012.py(2KB)
--------imagenet.py(7KB)
--------kitti.py(5KB)
----nets()
--------caffe_scope.py(3KB)
--------vgg.py(10KB)
--------ssd_vgg_512.py(22KB)
--------__init__.py(1B)
--------ssd_vgg_300.py(23KB)
--------custom_layers.py(4KB)
--------nets_factory.py(3KB)
--------ssd_common.py(23KB)
----eval_image_classifier.py(7KB)
----test_images()
--------test2.jpg(170KB)
--------test1.jpg(212KB)
--------test6.jpg(227KB)
--------test4.jpg(196KB)
--------test3.jpg(144KB)
--------test5.jpg(238KB)
----README.md(18KB)
----challenge_video.mp4(7.76MB)
----test_video.mp4(782KB)
----test_video_cars.mp4(285KB)
----.gitignore(294B)
----preprocessing()
--------preprocessing_factory.py(2KB)
--------tf_image.py(12KB)
--------vgg_preprocessing.py(14KB)
--------inception_preprocessing.py(14KB)
--------__init__.py(1B)
--------ssd_vgg_preprocessing.py(15KB)