深度学习通过训练样本进行特征识别,已经被广泛应用于道路提取领域。该方法不局限于特定类型的影像,但是受训练样本数量和计算机硬件的限制,所提取的道路会有断裂和噪声。针对上述问题,使用VGG卷积神经网络对道路进行初步提取后引入张量投票方法进行优化处理。首先通过影像变换、随机裁剪、过采样等方法对样本进行多模式扩充,进而训练VGG卷积神经网络模型;其次利用该网络从原始影像中初步分割道路面,接着对道路面的二值影像进行张量投票获取道路的显著性信息;最后在特征提取时针对显著性信息加入阈值获取道路面。实验结果表明,所提方法提取道路的召回率与正确率均达90%以上,与其他传统方法相比具有更高的精度,验证了所提方法的有效性。
2023-03-21 15:04:09
14.68MB
1
语义分割【道路裂缝数据集】，适用于语义分割道路裂缝分割，纯手工标注。原图共120张图片，标注后的json文件共120个。博主也用此数据集训练过，精度能够在80以上，精度算是挺不错的，资源免费开放下载，希望能帮到大家。
2023-03-13 11:45:25
172.63MB
1
该数据时间序列为2014年-2022年，该数据从2014年至2022年数据的丰富程度再不断优化。折线数量从4万条左右到20多万条，文件大小也从100兆左右到2G多。这里的道路要素总共分为两个图层文件，一个是各级道路另外是铁路，另外道路数据进行了严格的分级，从高速公路国道到省道市道及乡道县道，并且包含人行道自行车到，非常详细，欢迎下载研究。2014年至2022年各级道路矢量数据
2023-03-08 17:18:59
53.99MB
1
道路分割
客观的
在自动驾驶的情况下，给定前摄像头视图，汽车需要知道道路在哪里。 在这个项目中，我们训练了神经网络，通过使用一种称为完全卷积网络（FCN）的方法来标记图像中道路的像素。 在此项目中，使用KITTI数据集实施FCN-VGG16并对其进行了培训，以进行道路分割。
演示版
（单击以查看完整的视频）
1代码和文件
1.1我的项目包括以下文件和文件夹
是演示的主要代码
包含单元测试
包含一些帮助程序功能
是带有GPU和Python3.5的环境文件
文件夹包含KITTI道路数据，VGG模型和源图像。
文件夹用于保存训练后的模型
文件夹包含测试数据的细分示例
1.2依赖关系和我的环境
Miniconda用于管理我的。
Python3.5，tensorflow-gpu，CUDA8，Numpy，SciPy
操作系统：Ubuntu 16.04
CPU：Intel:registered:Core:trade_mark:i7-68
2023-03-07 22:08:53
57.98MB
1
沿特定路线行驶时，使用 MATLAB 移动应用程序捕获位置和加速度计传感器数据。 处理这些传感器值以分析道路的轮廓。
坐标在 Google Earth 应用程序中以不同颜色绘制，以指示道路剖面和拥堵情况。
此提交的文档文件提供了有关该项目的更多详细信息。
2023-03-03 10:11:02
2.62MB
1
北京市2011年乡镇级行政区划SHP文件。跟最新的区划有差别，有需要的同学请随意取用!希望能帮助到大家。
2023-02-23 16:53:18
7.71MB
1