凸轮2BEV 该存储库包含我们的方法的官方实现，该方法用于在语义上分割的鸟瞰图（BEV）图像的计算中，给出了多个车载摄像机的图像，如本文所述： 一种Sim2Real深度学习方法，用于将图像从多个车载摄像头转换为鸟瞰视图中的语义分割图像（ ， ） ， 和 摘要—准确的环境感知对于自动驾驶至关重要。 当使用单眼相机时，环境中元素的距离估计带来了重大挑战。 将相机透视图转换为鸟瞰图（BEV）时，可以更轻松地估算距离。 对于平坦表面，反透视贴图（IPM）可以将图像准确地转换为BEV。 这种转换会使三维物体（如车辆和易受伤害的道路使用者）变形，从而使得很难估计它们相对于传感器的位置。 本文介绍了一种方法，该方法可从多个车载摄像机获得的图像中获得校正后的360°BEV图像。 校正后的BEV图像被分割成语义类别，并且包括对遮挡区域的预测。 神经网络方法不依赖人工标记的数据，而是在合成数据集

棋盘识别 该项目重点介绍了采用计算机视觉技术处理棋盘图像并识别棋盘配置的方法。 尽管将棋盘检测用于相机校准是一个经典的视觉问题，但是现有的棋子识别技术在受控环境下仍能正常工作。 程序针对所选的彩色棋盘和一组特定的棋子而定制。 该项目中使用的方法通过使用聚类来分割棋盘和棋子，而与颜色方案无关，对现有研究进行了补充。 对于棋子识别，该方法引入了一种新颖的方法，该方法使用R-CNN训练鲁棒的分类器以处理不同类型的棋盘棋子。 与基于SIFT的分类器相比，该方法在不同种类的样本上表现更好。 如果扩展，这项工作对于记录动作和培训国际象棋AI以预测特定棋盘配置的最佳可能动作可能很有用。 方法堆栈： 获

裂缝的 Unet 语义分割 使用 PyTorch、OpenCV、ONNX 运行时的实时裂缝分割 依存关系： 火炬 OpenCV ONNX 运行时 CUDA >= 9.0 指示： 1.使用您的数据集训练模型并在supervisely.ly上使用unet_train.py保存模型权重（.pt文件） 2.使用pytorch_to_onnx.py将模型权重转换为ONNX格式 3.使用crack_det_new.py获取实时推理 裂纹分割模型文件可点击此下载 结果： 图表：

ISIC 2018：黑色素瘤检测的皮肤病变分析 概括 更新：2018年7月15日，包括k倍验证以及验证/测试预测和提交。 该存储库为基于Keras / Tensorflow的ISIC-2018挑战的任务1和任务3提供了一个起始解决方案。 当前达到的性能是： 任务1 任务3 平均Jaccard的81.5％ 准确度达83％ 阈值Jaccard的77.2％ 平均召回率68.5％ 我们支持Keras支持的大多数骨干网（Inception，Densenet，VGG等）。 对于分段问题，我们还支持在U-Net类型结构中使用Keras预训练主干。 该代码是高度可配置的，允许您更改和尝试算法的许多方面。 下面，我们描述如何运行基准解决方案。 安装/设置 该代码使用：Python 3.5，Keras 2.1.6和TensorFlow 1.8.0。 请参阅需求文件以获取所需的软件包。 请

什么是DarkMark？ DarkMark是一个C ++ GUI工具，用于对神经网络中使用的图像进行注释。 它是专门为与神经网络框架一起使用而编写的，并具有为Darknet和YOLO量身定制的一些功能。 首次启动DarkMark时，可以指定Darknet样式的神经网络来加载所选项目。 DarkMark使用该神经网络来帮助您标记更多图像。 存在几种不同的查看功能，可以快速查看所有注释并突出显示一些常见错误。 准备就绪后，DarkMark也可用于生成所有Darknet和YOLO（或其他）配置文件，以训练新的神经网络。 这包括对.cfg文件以及.data，培训和验证.txt文件所需的修改。 DarkMark还将创建一些Shell脚本以开始培训并在计算机之间复制必要的文件。 执照 DarkMark是开源的，并使用GNU GPL v3许可证发布。 有关详细信息，请参见license.txt。

Driver-assistance features of vehicles are essentially based on data provided by various sensors such as radar, LIDAR, ultrasound, GPS, inertial measurement unit (IMU), or cameras. In this book, we discuss the use of cameras for driver assistance.

农业深度学习 前处理 比赛项目 竞赛 笔记本 准确性 模型 97％ 参考 1-fvfdf

torchvision for jetson xavier nx

SLAM 同时定位和映射 使用open3d的点云 使用matplotlib的点云 使用的图书馆

Multiple_View_Geometry_in_Computer_Vision.part2 共两部分