w Urban Weather Generator（uwg）是用于对进行建模的Python应用程序。 具体而言，它使用以下一系列属性来变形农村的以反映城市峡谷内的平均状况： 建筑物的几何形状（包括建筑物的高度，地面覆盖率，窗户：墙壁和外观：建筑面积） 建筑物用途（包括程序类型，HVAC系统和占用/设备调度） 冷却系统向室外的散热（夏季） 室内向室外的热泄漏（冬季） 城市材料（包括道路，墙壁和屋顶的热质量，反照率和辐射率） 交通产生的人为热量（包括交通时间表） 植被覆盖（树木和灌木丛） 来自城市边界和冠层的大气传热 由Bruno Bueno开发。 从那时起，它已经被验证了3次，并且进行了。 2016年，约瑟夫·杨（Joseph Yang）还。 该存储库是原始的Python转换。 例子 这是一个Python示例，显示了如何创建和运行Urban Weather Generat

使用卫星图像和卷积神经网络比较城市环境 该存储库包含与该论文相关的代码，该论文。 本文的稍作修改的版本出现在中的会议。 该存储库包含本文中介绍的数据处理，模型训练和分析的Python实现： 用于构建城市环境土地利用分类的培训和评估数据集的代码位于文件夹中 本文使用的卷积神经网络分类器的Keras实现以及分类文件夹中的Keras实用程序，用于数据提取和多GPU训练（带有TensorFlow后端） 用于训练和验证模型以及产生分析结果和图表数据的代码位于文件夹中的笔记本中。 在以监督方式对卷积网络分类器进行卫星数据训练后，可通过研究为每个卫星图像提取的特征，将其用于比较许多城市的城市街区（城市环境）。 引文 如果您使用本文中的代码，数据或分析结果，我们恳请您引用上面的文章为： 利用卷积网络和卫星图像大规模识别城市环境中的模式。 A. Toni Albert，J。Kaur和MC Gonz

点云的多边形表面重建 PolyFit重建管道 PolyFit实现了以下所述的基于假设和选择的曲面重建方法： Liangliang Nan and Peter Wonka. PolyFit: Polygonal Surface Reconstruction from Point Clouds. ICCV 2017. 如果使用代码/程序（或其一部分），请考虑引用以上文章。 获取PolyFit 预构建的可执行文件（适用于macOS ， Linux和Windows ）可。 您也可以从源代码构建PolyFit： 下载。 依存关系 （已测试v5.8.0，v5.9.2，v5.10.1） （已测试v4.10，v4.11.1） 建立PolyFit。 有很多构建PolyFit的方法。 选择以下一项（或您熟悉的任何一项）： 选项1：使用可以直接处理CMakeLists文件的任何IDE

DCASE 2019-任务5-城市声音标记 该存储库包含我用于的最终解决方案。 该模型在粗略和精细级别标签的预测中均排名第一。 再现结果 先决条件： 基于Linux的系统 Python> = 3.5 拥有至少8GB内存的NVidia GFX卡 CUDA> = 10.0 已安装virtualenv软件包 复制： 克隆此存储库。 要使用单个命令复制整个解决方案，请在存储库目录中时执行make run_all命令。 该命令按顺序执行以下步骤： make env ：在当前目录中创建虚拟环境 make reqs ：安装python软件包 make pytorch ：安装PyTorch make download ：从Zenodo下载Task 5的数据 make extract ：提取压缩文件 make parse ：解析注释 make logmel ：计算并保存所有文件的Log-Mel频

无人驾驶挑战赛书籍--《The DARPA Urban Challenge 2009》，以及一些路径规划的论文，希望可以帮到大家！

使用LSTM进行音频分类 使用基于LSTM的模型对城市声音音频数据集进行分类。 要求 pytorch == 1.0.1 scipy == 1.2.0 火炬视觉== 0.2.1 熊猫== 0.24.1 numpy == 1.14.3 torchaudio == 0.2 librosa == 0.6.3 pydub = = 0.23.1 按照测试数据进行测试的步骤 在当前目录中创建一个名为data / test的文件夹，其中将包含所有要测试的“ .wav”文件。 从此下载“ bestModel.pt”，并将其放置在当前目录中。 运行以下命令： python preprocess.py python eval.py 将会在当前目录中生成一个名为“ test_predictions.csv”的csv文件，其中包含所有测试文件及其相应的预测标签。 团队 阿尼什·马丹（Anish

The DARPA Urban Challenge Autonomous Vehicles in City Traffic

城市声音分类 日期 机器学习和AI ID技术营地的最终项目。 高层概述 有8732个.wav文件，其中包含10种不同的城市声音，例如狗叫声，汽车喇叭声，枪声等。数据集分为10折（文件夹），以使训练和测试变得更加容易。 我使用1-9倍训练模型，然后使用10折测试模型。 自定义CNN用于对声音进行分类。 CNN中使用的声音功能包括： MFCC：使用准对数间隔频率标度的梅尔频率倒谱系数，与人类听觉系统处理声音的方式更相似。 质谱图：计算梅尔级功率谱图。 基于人耳。 chroma-stft：从波形或功率谱图中计算色谱图。 使用音高。 chroma_cq：恒定Q色谱图。 使用音高。 chroma_cens：色度能量标准化CENS。 使用音高。 科技栈 的Python 3 凯拉斯 大熊猫 天秤座 结果 测试精度：70％ 验证准确性：90％ 反射 从以上结果可以看出，该模型显然是过拟合的

Sydney Urban Objects Dataset is provided by the University of Sydney.本数据集由悉尼大学提供。 sydney-urban-objects-dataset.tar.gz

sheffi经典教材英文版，学交通的必读