目标跟踪和碰撞时间估计 这是Udacity传感器融合纳米度的第二个项目。 我融合了来自KITTI数据集的相机和LiDAR测量值，以检测，跟踪3D空间中的物体并估算碰撞时间。 首先，我用YOLOv3处理图像以检测和分类对象。 下图显示了结果。 基于YOLOv3发现的边界框，我开发了一种通过关键点对应关系随时间跟踪3D对象的方法。 接下来，我使用了两种不同的方法来计算碰撞时间（TTC），分别是基于LiDAR和基于相机的TTC。 环境的结构由主要讲师Andreas Haja构建。 基于LiDAR的TTC 我通过使用齐次坐标将前车的3D LiDAR点投影到2D图像平面中。 投影如下图所示。接下来，我将3D LiDAR点分布到相应的边界框。 最后，我根据不同帧的对应边界框中最接近的3D LiDAR点计算了TTC。 基于摄像头的TTC 我使用检测器/描述符的各种组合来找到每个图像中的关键点，并在

icwb2-data 数据集是由北京大学、香港城市大学、台湾 CKIP, Academia Sinica 及中国微软研究所联合发布的数据集，用以进行中文分词模型的训练。其中 AS 和 CityU 为繁体中文数据集，PK 和 MSR 为简体中文数据集。 icwb2-data 中文分词数据集_datasets.txt icwb2-data 中文分词数据集_datasets.zip

阿博达 废弃对象数据集 Abandoned Objects Dataset (ABODA) 是一个新的用于废弃物体检测的公共数据集。 ABODA 包含 11 个标记有各种实际应用场景的序列，这些场景对废弃物体检测具有挑战性。 这些情况包括拥挤的场景、照明条件的显着变化、夜间检测以及室内和室外环境。

1.遥感数据集，方便入门学习。 2.HRSID一共有13个类别，分别是：飞机、棒球场、篮球场、桥梁、十字路口、田径场、港口、停车场、船、存储罐、丁字路口、网球场、汽车。上传的只有一个类别，船ship类。 3.数据库的亮点是，各个类别之间样本量较均衡。 4.对于一般的目标检测而言，数据集至少应该是千位数甚至上万，可能效果会比较少的数据集更好。 5.上传的是原5604张数据集，有图片和标签，全部一一对应。 6.可以对任意数据集进行扩充，如果需要定做，私信我，或者私信找我要扩充之后的数据集，付费咨询。 7.扩充增强方法可以采用数据模糊，亮度，裁剪，旋转，平移，镜像等变化，或者基于深度学习SRGAN增强等方式。

智能建筑设计与施工系列图集—1楼宇自控系统

用java实现的，实现了整个方法只要改变G(E).txt中内容就可以分析不同的语法了。

这是从kaggle 上下载的“give me some credit” 信用比赛的原始数据，用于个人信用评估相关机器学习模型.

1、YOLO任务的数据标注格式为txt时，可以用该代码在图片中绘制出标注框 2、YOLO是一个广泛使用的目标检测算法，用于在图像或视频中检测物体的位置和大小。YOLO任务的数据标注格式通常为txt文件，其中包括目标类别、边界框坐标和宽高比等信息。但是，对于大量的标注数据来说，手动绘制边界框可能会费时费力，因此需要使用自动化工具来完成这项任务。 3、在使用该代码时，需要确保图像文件与YOLO标注文件具有相同的名称（除去扩展名），并且它们位于相同的文件夹中。此外，还需要指定一些参数，例如矩形框颜色、线条宽度、字体和字号等。这些参数可以根据用户的偏好进行调整。

使用UCF101完成的视频动作分类识别，使用CRNN模型完成，迭代次数为120，花了很多时间和钱（），不过因为模型参数pth太大了，CSDN放不下，需要再私聊吧

UCF101数据集，完整版，网盘分享。