图像矩阵matlab代码格randint挑战赛：Salient360！ 简单的介绍 该代码适用于Salient360的巨大挑战！ 在ICME 2017上。代码中实现了两个计算模型，分别是： 基于头部运动的显着性模型（模型类型1）； 和 基于头部和眼睛运动的显着性模型（模型类型2）。 模型类型1和2的相应功能分别是HeadSalMap和HeadEyeSalMap 。 该方法基于我们以前的出版物[1]，该出版物采用了基于堆叠的基于自动编码器的重构框架。 用法 要使用该代码，需要执行以下步骤： 将文件salient360_XDQS.tar.gz解压缩到文件夹 。 在下创建两个子文件夹， images和saliency 。 将要处理的图像移动到文件夹/images 。 执行MATLAB脚本process.m与命令行matlab < process.m 。 输入文件夹/saliency以检查结果。 执行脚本后，结果将存储在<s

自主驾驶车辆的深度模仿学习 自动驾驶汽车已经引起了学术界（例如牛津，麻省理工学院）和工业界（例如Google，特斯拉）的极大兴趣。 但是，由于普遍的知识，我们发现直接实现全自动驾驶（SAE 5级）非常困难。 为了解决这个问题，深度模仿学习是一种有前途的解决方案，可以从人类的演示中学习知识。 在这个项目中，我们研究了如何使用深度模仿学习来实现车辆动态控制（例如转向角，速度）。 我们使用了Udacity（ ）提供的数据集和模拟器以及现实世界中的comma.ai数据集。

这是一个sae j1939中很重要的一个文件，关于PGN的分配、数据的算法、源地址的分配做了详细的说明。

路面车辆推荐操作规程（被采纳为美国国家标准）SAE J1939-71：车辆应用层。 本系列 SAE 推荐操作规程是由卡车及客车电子电气委员会所属的卡车及客车控制及通 信小组委员会制定的。该小组委员会的目标是针对电控单元的需求、设计和使用，提交消息 报告、制定推荐操作规程。这些电控单元在汽车部件之间传递着电子信号和控制信息。本规 程的使用不限于卡车和客车应用，其对于其他的应用也可以提供直接的支持，正如已在建筑 及农业设备和固定式的动力系统。

总结分析SAEJ1939乘用车网络总线协议，完成分析和总结了J1939-81 对网络管理功能详细的描述

SAE J1939协议中英文合集

1.自编码器简介，包括（1.1什么是自编码器，1.2自编码器有什么用，1.3怎样构建自编码器，1.4自编码器及其变体） 2.稀疏自编码器(SAE)，包括（2.1为什么要有稀疏自编码器，2.2稀疏自编码器介绍，2.3稀疏自编码器原理，2.4与自编码器的区别） 3.收缩自编码器(CAE)，包括（3.1 预备知识，3.2 CAE目标，3.3 CAE构造） 4.去噪自编码器(DAE)，包括（4.1什么是去噪自编码器，4.2去噪自编码器的结构） 5.变分自编码器(VAE)，包括（5.1为什么用变分自编码器，5.2变分自编码器的结构）

使用Tensorflow作为后端的Keras编程平台，编写的栈式自编码网络程序，利用自定义层方法编写压缩层和解压缩层，栈式自编码调用自定义层实现编码和解码

当前文件包括了SAE J1939协议中所有的PGN,并且具体到每个PGN对应的SPN,并包含对应的解析信息；其中还分别详细分类介绍协议ID对应的车辆控制器名称；

c代码-CRC8校验计算, 遵从SAE-J1850规范，多项式为0x11D。