Stanford Cars Dataset 是包含 196 种汽车类型的图像数据集，主要用于图像分类，其共有 16,185 张图像，其中训练图像和测试图像分别为 8,144 张和 8,041 张，每个类别的图像数量相当，其中分类基于汽车品牌、车型和年份。 该数据集由斯坦福大学 – 人工智能 实验室于 2013 年发布，相关论文有《3D Object Representations for Fine-Grained Categorization》。

ARCADE_Ultimate_Vehicles_Pack_-_Low_Poly_Cars

Stylized Cars Pack包含用于快速原型制作和游戏设计的汽车。 40个低多边形模型针对带有纹理的移动进行了优化。 所有模型的多边形数都很低，从最简单模型的1200个多边形到较复杂模型的3000个多边形不等。 您可以在移动，桌面和控制台平台上使用它们！ -分离的车轮：车轮与车身分开，因此您可以对其进行动画处理或使用车辆仿真系统。 -移动就绪：所有型号均具有单独的纹理（512x512像素），可以舒适地使用 您获得80辆车

MMAL网 这是论文用于细粒度的PyTorch实施（张帆，李萌，翟桂生，刘亦钊）由第27届国际多媒体建模国际会议（MMM2021）提供。 欢迎与我们讨论问题！ 目录 要求 的Python 3.7 pytorch 1.3.1 numpy的1.17.3 scikit图像0.16.2 Tensorboard 1.15.0 TensorboardX 2.0 tqdm 4.41.1 图像2.6.1 枕头6.1.0 数据集 下载数据集，并将提取的图像文件夹的内容复制到datasets / CUB 200-2011 / images中。 下载数据集并将提取的data / images文件夹的内容复制到datasets / FGVC_Aircraft / data / images ） 您也可以尝试其他细粒度的数据集。 培训TBMSL-Net 如果要训练MMAL-Net，请在运行py

如何构建和配置基于Arduino的控制单元以用于电动平移门的打开，关闭和其他动作。

斯坦福车 196 类测试集，图片按类别文件夹存放，完整数据集下载： https://github.com/cyizhuo/Stanford-Cars-dataset

无人驾驶汽车项目 我使用开源模拟器完成了多个自动驾驶汽车（AV）项目。 这些项目涵盖了从控制，状态估计，定位，感知到运动计划的视音频领域。 控制器使用CARLA模拟环境在跑道上导航自动驾驶汽车。 误差状态扩展卡尔曼滤波器，可使用CARLA模拟器中的数据对车辆进行定位。 名称待定 识别场景中对象的边界框并定义可驱动曲面的边界的算法。 名称待定 分层运动计划程序，用于在CARLA模拟器中的一系列场景中导航，包括避免将车停在车道上，跟着领先车辆行驶并安全地导航十字路口。 安装CARLA 的Ubuntu 下载并按照。 视窗 下载版并按照。

无人车综述：Abstract— We survey research on self-driving cars published in the literature focusing on autonomous cars developed since the DARPA challenges, which are equipped with an autonomy system that can be categorized as SAE level 3 or higher. The architecture of the autonomy system of self-driving cars is typically organized into the perception system and the decision-making system. The perception system is generally divided into many subsystems responsible for tasks such as self-driving-car localization, static obstacles mapping, moving obstacles detection and tracking, road mapping, traffic signalization detection and recognition, among others. The decision- making system is commonly partitioned as well into many subsystems responsible for tasks such as route planning, path planning, behavior selection, motion planning, and control. In this survey, we present the typical architecture of the autonomy system of self-driving cars. We also review research on relevant methods for perception and decision making. Furthermore, we present a detailed description of the architecture of the autonomy system of the UFES’s car, IARA. Finally, we list prominent autonomous research cars developed by technology companies and reported in the media

本文对自动驾驶汽车的研究和创新进行了科学计量和文献计量分析。 通过对定量经验证据的研究，我们探索了人工智能（AI）在自动驾驶汽车研发中的机器学习，深度学习和数据挖掘的重要性，该专利和论文对此进行了衡量。 除了发明活动和学术努力的速度呈指数增长外，我们发现证据表明，自2009年以后，与数据收集和处理相关的技术在自动驾驶汽车方面的应用已发生了Swift而有意义的转变。我们证明了这一点。 shift反映了创新者格局的重大变化，以及学术界对自动驾驶汽车在道德，法律和社会方面的关注日益增加。 关于自动驾驶的研究和创新似乎在人工智能方面得到了越来越多的定义，而人工智能却忽略了实现该技术潜力可能需要的未来社会技术系统的某些方面。

3D对象表示是用于多视图对象类检测和场景理解的宝贵资源。细粒度识别是计算机视觉的一个不断发展的子领域，在区分细微的外观差异方面有许多实际应用。这些汽车数据集包含用于组建模型的出色培训和测试集，可以相互区分汽车。 Stanford Cars Dataset_datasets.txt Stanford Cars Dataset01_datasets.zip Stanford Cars Dataset02_datasets.zip Stanford Cars Dataset03_datasets.zip