3D竞速类游戏Flux Challenge

PASCAL Visual Object Classes Challenge 2010年的图像数据集。PASCAL Visual Object Classes 是一个图像物体识别竞赛，用来从真实世界的图像中识别特定对象物体，共包括 4 大类 20 小类物体的识别。其类别信息如下。 Person: person Animal: bird, cat, cow, dog, horse, sheep Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor

VAST-Challenge-MC-1-2017 WIP DataManipulator使用部分： 要导入该类，请确保将DataManipulator.py文件与正在执行工作的任何python文件放在同一文件夹中。 然后放置 从DataManipulator导入DataManipulator 在主要python文件顶部，只需从DataManipulator.py导入DataManipulator 声明操纵器，添加文件位置以指向传感器数据文件的存储位置finder = DataManipulator（'C：/Users/legot/Desktop/College/DataVis/SensorData.csv'）＃文件位置DataManipulator（'文件位置' ） ＃用法 根据需要运行上面的任何函数frame = finder.get_car（“ 20154519024544-

Kaggle Carvana图像遮罩挑战 中第一的解决方案的代码。 我们使用了CNN在图像中对汽车进行了细分。 为了获得最佳结果，我们使用多个不同的网络网络（Linknet，具有自定义编码器的类似Unet的CNN，具有VGG11编码器的多种类型的类似于Unet的CNN）。 我们的队伍： Artsiom Sanakoyeu（ ） 亚历山大·布斯拉耶夫（ ） 弗拉基米尔·伊格洛维科夫（ ） 博客文章解释了解决方案： ://medium.com/kaggle-blog/carvana-image-masking-challenge-1st-place-winners-interview-78fcc5c887a8 要求 要训​​练最终模型，您将需要满足以下条件： 操作系统：Ubuntu 16.04 所需的硬件： 任何具有x86-64 CPU的体面的现代计算机， 32

mcs2018_挑战 第三名解决方案。 Boyara Power团队（Oleksii Hrinchuk，Valentin Khrulkov，Elena Orlova） 解决方案说明 我们的解决方案包括两部分。 首先，我们训练了模仿网络来模仿黑匣子的输出。 然后，我们使用标准的White Box定向攻击算法攻击了该替代网络，以获取受干扰的图像，并使用它们欺骗原始的Black Box。 培训模仿者网络 采用基于Inception v1架构的经过预先培训的FaceNet。 用一层512个神经元的FC层替换所有完全连接的层，然后进行BatchNorm和L2标准化。 通过对获得的网络进行10个时期的训练来微调获得的网络，每3个时期后学习速率会下降。 训练三个这样的网络，并将它们组合成整体（通过平均生成的描述符）。 为了获得更好的模仿网络，我们使用了许多数据增强技术，例如： 通过执行4种可

手势识别 使用Kinect数据进行手势识别-Chalearn Challenge 2013 大纲 该存储库包含我在塞萨利大学电气和计算机工程系攻读文凭学位期间进行的所有实验和实验 摘要本文着重于利用深度传感器来构建能够可靠地检测多个手势的分类器。 该数据库最初在Chalearn Gesture Challenge 2013中引入，包含20个手势的词汇表，并使用Kinect传感器构建，以捕获音频，视频，人体的骨骼关节和深度信息。 在本文中，我们主要利用骨骼形态来跟踪手和身体关节随时间的运动，并创建可以有效识别给定手势的模型。 这是通过创建一个姿势描述符来实现的，该姿势描述符包含骨骼矢量彼此之间形成的角度以及它们与躯干之间的距离。 通过计算这些指标，我们可以获得每个视频帧中人体姿势的虚拟地图。 分类过程利用上述特征将手势识别为身体姿势序列。 我们主要强调两个都训练隐马尔可夫模型的分类器。 最

otto数据集-kaggle

AI-Insects-Challenge 第二名代码分享 简介 本赛题是一个标准的目标检测任务，主要对纯色器皿中的七种虫子的位置和类别进行检测。本解决方案主要包含了两个模块，分别是YoloV3的目标检测模块，以及后置的SENet分类矫正模块。两个模块直接串联，先通过YoloV3得出检测框和分类结果，然后将检测框裁剪出来使用分类网络进一步矫正分类结果，最后通过一个改进的NMS方案得到最终结果。 注：本代码均使用paddlepaddle 1.6.1 的静态网络搭建 图像增广方案 MixUp （前期训练有效提高，后期精调建议不用） 随机旋转图像 旋转从理论上来说很有用，但是旋转之后的真实box会变大，不再紧贴目标，尤其是45度旋转的时候，暂时没有找到更优的解决方案。前两天又看到opencv中貌似有类似的处理，回头试一下再改进。 随机色彩变换 亮度、对比度、饱和度等色彩相关变换 随机扩充 将图像外

A Medical Device Challenge- Welding Thin Wires of Dissimilar Metals.pdf

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！