文件名称：Lyft-Perception-Challenge:Lyft感知挑战的解决方案，用于汽车和行人识别的语义分割
文件大小：24.78MB
文件格式：ZIP
更新时间：2024-05-18 08:28:42
Python
Lyft感知挑战 该存储库提供了我对Lyft＆Udacity Perception挑战的解决方案。 已经开发并训练了基于U-net架构的神经网络，以对从汽车前置摄像头拍摄的帧进行语义分割。 样本框架与来自神经网络的输出叠加，用于汽车（红色）和道路检测（绿色） 客观的 Lyft和Udacity提出了与语义分段在自动驾驶汽车中的应用相关的挑战。 目的是能够从位于汽车前部的摄像头以像素级识别汽车和道路。 数据是通过模拟器生成的，该模拟器能够生成带有相应地面真相标签的高质量图片。 这使我们可以方便地设计和评估一种算法，以后可以使用实际数据对其进行完善。 得分基于F得分（也称为Sørensen-Dice指数） ，并根据查全率和准确性计算得出。 广义公式定义为： 对车辆评分时， β= 2 ，对道路评分时， β= 0.5 。 这意味着在检测车辆时，我们会更加重视召回，即我们不想错过任何车辆。
【文件预览】：
Lyft-Perception-Challenge-master
----.gitignore(1KB)
----preinstall_script.sh(244B)
----src()
--------run.py(2KB)
--------carla_client.py(10KB)
--------freeze.py(2KB)
--------test_model.py(6KB)
--------train.py(19KB)
----Model()
--------frozen_model.pb(25.93MB)
----README.md(13KB)
----imgs()
--------sliding_window.png(347KB)
--------simulator.png(511KB)
--------result_video.gif(725KB)
--------network_diagram.png(32KB)
--------training.png(8KB)
--------real_prediction.png(601KB)
--------equation_1.png(1KB)
--------mislabelled_sample.png(304KB)
--------labels.png(376KB)
--------scoring.jpg(30KB)
--------prediction.png(125KB)
--------frame_prediction.png(217KB)
--------equation_2.png(2KB)