寻找所有路径 它找到有向图的任意两个节点之间的所有可能路径

LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt

A*寻路的C#源码，包含库的源码和demo程序。包含逐步的寻路和马走日的寻路，包含从Excel读取地形的源码。本人Blog中有说明：https://blog.csdn.net/KenZhang1031

Finding lungs in CT 是基于肺部 CT 影像分割处理的数据集，其包含一系列 CT 影像中对肺部影像的分割，并以此识别和估计肺部容积量。 该数据集包含 4 名患者的数据，以 nifti 格式的图像和分段肺面罩为主，由 Kaggle 于 2017 年发布。

路径查找可视化器 使用A star算法的路径查找器 A *算法是查找节点和图形之间最短路径的最成功的搜索算法之一。 最近在我的人工智能学分课程中向我们教授了该算法。 据我了解，A *算法是一种明智的搜索算法。 它使用有关路径成本和启发式方法的信息来找到解决方案。 A *等于最优性和完整性。 什么是启发式？ “启发式功能，也简称为启发式功能，是一种功能，该功能根据可用信息在每个分支步骤中对搜索算法中的替代项进行排名，以决定要遵循的分支。例如，它可以近似精确的解决方案。” g（n）-这表示从起始节点到任何节点n的路径的确切成本。 h（n）-这表示从节点n到目标节点的启发式估计成本。 f（n）-相邻节点中的最低成本。 每次A *进入一个节点时，它都会计算到达所有邻近节点的成本f（n）（n是邻近节点），然后以f（n）的最小值进入该节点。 我们使用以下公式计算这些值： f（n）= g（

超快速通道检测 PyTorch实施的论文“”。 更新：我们的论文已被ECCV2020接受。 评估代码是从改性和。 Caffe模型和原型可以在找到。 演示版 安装 请参阅 开始吧 首先，请根据您的环境在configs/culane.py或configs/tusimple.py配置中修改data_root和log_path 。 data_root是您的CULane数据集或Tusimple数据集的路径。 log_path是tensorboard日志，训练有素的模型和代码备份的存储位置。它应该放置在该项目之外。 对于单GPU训练，运行 python train.py configs/path_to_your_config 对于多GPU训练，请运行 sh launch_training.sh 或者 python -m torch.distributed.launch --nproc_per_n

一种多边形占用格子的算法 A SIMPLE ALGORITHM FOR FINDING FAST, EXACTLY TILES INTERSECT WITH POLYGONS

multi-agent-path-finding

吉布斯采样器主题发现 这个 python 脚本是用于在字符序列中查找模式的 gibbs 采样的实现。 一个流行的例子是在 DNA 序列中找到基序。 从另一个脚本运行 首先，导入模块 gibbs 然后调用带有参数序列和字长的方法采样，输出是每个序列的单词位置 有关代码的更多解释（印度尼西亚语），请参阅 。

从 CT 影像中对肺部影像进行分割并识别肺部容积