kaggle 电影评论文本情感分析（Bag of Words Meets Bags of Popcorn）数据集，和官方的一致。

apollo官方的2.0数据包。根据对应的apllo版本，在跑仿真时，可以播放此数据包。此数据包中包含topic，可以在ros环境（docker）中使用rosbag info xxx.bag 命令来查询。

用于制作背包界面显示动态的UIcs

hdl_501 example bag.hdl_501 example bag.hdl_501 example bag.

使用ros采集的velodyne和usb相机的数据包，发布了激光雷达和相机的话题，可用于激光雷达与相机的标定与数据融合，详细教程参考https://github.com/yuzhou42/camera-laser-calibration，感谢这位作者小姐姐。

压缩包包括两个文档，一个是斯坦福的LiFeiFei2011年上课时的课件，详细讲解BOV的来龙去脉。另一个是2011年出的opencv2.2的bag of visual words-classification例程，很适合理解BoV的构建与应用过程。

matlab sift特征提取代码 Scene-Recognition-with-Bag-of-Words（基于词袋模型的场景识别） 1 实验目的 使用了两种特征提取算法（Tiny images feature和Bag of sift）及两种分类算法（k-Nearest Neighbor和SVM）进行场景识别。 Tiny + Nearest Neighbor Tiny + SVM Bags of SIFT + Nearest Neighbor Bags of SIFT+SVM 2 代码结构与功能 主函数：project3.m Tiny images feature 特征提取：get_tiny_images.m Bag of SIFT特征提取： build_vocabulary.m 实现词袋中标准词汇的选择 get_bags_of_sifts.m 实现词袋模型的构建 k-Nearest Neighbor分类器：nearest_neighbor_classify.m SVM分类器：svm_classify.m 获取图片路径：get_image_paths.m 将结果呈现成webpage形式

在目前智能汽车的数据采集（激光雷达数据和视觉数据）的过程中，我们通常在ROS系统中完成数据的记录。因此，我们直接得到的数据是以.bag文件格式保存的。但是，大多数现有感知网络框架的数据格式与 KITTI 数据集的数据格式一致。在 KITTI 数据集中，图像文件保存为 .png 格式，PointCloud 文件保存为 .bin 文件。所以我们需要完成从.bag 文件到.png 和.bin 文件的转换

bag-of-words- 基于opencv-python的sift、kmeans、bow图像检索 需要配置opencv、sklearn、scipy、numpy 创建两个文件夹就行 默认图像训练文件名为dataset 我用的是101_ObjectCategories图片集 所以在读入图片时做了更改 默认查找图像文件名为query 用命令行执行python findFeatures.py -t dataset/ 开始生成模型 用命令行执行python search.py -i query/target.jpg 查找目标图片

本次实验是基于词袋模型的图像分类技术，利用提取的局部区域的分布对图像进行识别。在图像分类中，词袋模型算法需要通过监督或非监督的学习来获得视觉词典。基于词袋模型的图像分类算法一般分为四步，首先对图像进行局部特征向量的提取（本次实验采用HOG)；其次利用上一步得到的特征向量集，抽取其中有代表性的向量，作为单词，形成视觉词典（本实验采用K-means聚类算法）；然后对图像进行视觉单词的统计，一般判断图像的局部区域和某一单词的相似性是否超过某一阈值，这样即可将图像表示成单词的分布，即完成了图像的表示；最后设计并训练分类器，利用图像中单词的分布进行图像分类（本实验采用KNN分类算法和线性SVM多分类算法）。