信息可视化第三版，英文版，含目录。作者Colin Ware。

OPT（Omni-Perception Pre-Trainer）是全场景感知预训练模型的简称，中文名字叫紫东太初，是中科院自动化和华为联合研发的多模态预训练模型，本仓是紫东太初十亿参数级别模型的MindSpore版本代码，包含预训练模型及多个下游任务模型。

信噪比matlab代码详解评估基于感知的语音增强损失 请在这里找到引用论文和脚本的脚本。 在此存储库中，我们提供用于训练/验证数据准备（包括感知加权滤波器的幅度响应），网络训练/验证（包括感知加权滤波器损耗和基于PESQ的损耗），网络推断，增强的语音波形的源代码。重建和测量。 该代码是基于由Juan Manuel Mart´ın-Donas编写的感知加权滤波器损失项目和PMSQE的项目。 然后由赵浩然进行整合和修改。 介绍 在该项目中，针对语音增强应用评估了两个基准损失和两个基于感知的损失。 将均方误差（MSE）损失和对数功率MSE损失作为基准进行测试。 对感知加权滤波器损失和基于PESQ的损失进行评估和比较。 先决条件 2014a或更高版本 3.6 CPU或NVIDIA GPU + 9.0 7.0.5 入门 安装 安装1.14.0和2.3.1 需要安装一些Python软件包，请在Python脚本中查看详细信息。 安装 数据集 请注意，在本项目中，干净的语音信号是从（降采样到8 kHz）中提取的，而噪声信号是从数据库中提取的。 为了在此项目中运行脚本，假定上述数据库在本地可用。 训练和

老师推荐的，不错，做视觉和听觉的可以来看看。

Visual Perception from a Computer Graphics

颜色分类leetcode 自动驾驶汽车的感知算法 Udacity自动驾驶汽车纳米学位项目感知相关项目。 概括 车道线查找 传统的计算机视觉技术，如相机校准、颜色阈值和图像包装，已用于车道线查找。 Bird eye view中的Lane Line从像素单位转换为米单位，计算得到车辆的CTE(Cross Track Error)和车道的Curvature 。 车辆检测 SVM分类器用于对车辆和非车辆进行分类， Sliding window方法用于从图像中检测车辆。 通过由当前图像帧和前一图像帧的信息组成的Heat-map来防止多重检测和误报问题。 交通标志分类 CNN（卷积神经网络）用于交通标志分类，可识别和区分43种不同类型的交通标志。 再培训后，识别交通标志的测试准确率高达 93.5%。

无人驾驶汽车项目 我使用开源模拟器完成了多个自动驾驶汽车（AV）项目。 这些项目涵盖了从控制，状态估计，定位，感知到运动计划的视音频领域。 控制器使用CARLA模拟环境在跑道上导航自动驾驶汽车。 误差状态扩展卡尔曼滤波器，可使用CARLA模拟器中的数据对车辆进行定位。 名称待定 识别场景中对象的边界框并定义可驱动曲面的边界的算法。 名称待定 分层运动计划程序，用于在CARLA模拟器中的一系列场景中导航，包括避免将车停在车道上，跟着领先车辆行驶并安全地导航十字路口。 安装CARLA 的Ubuntu 下载并按照。 视窗 下载版并按照。

simple_depth_registration 更快的ROS深度图像配准 这是一个用Python写的苗条的ROS库，用于计算RGB-D图像的深度值从RGB相机而不是IR相机的角度来看。 现有的解决方案（ depth_image_proc ）存在于包中，但是在处理密度深度图像时会遭受重大性能损失。 运行该节点 请参阅。 订阅的主题 /camera/rgb/image_raw （ sensor_msgs/Image ） RGB相机图像 /camera/depth/image_raw （ sensor_msgs/Image ） 深度图像 发表的话题 /simple_depth_registration/depth_registered （ sensor_msgs/Image ） 注册深度图像 /simple_depth_registration/info_image_unregister

自动驾驶车辆的 预测、感知、决策、控制

超分辨率matlab代码小波域样式转移在单图像超分辨率中实现有效的感知失真权衡 ICCV 2019口头报告可以从以下链接下载不同数据集的结果： 这是ICCV论文“在单图像超分辨率中有效实现感知失真权衡的小波域样式转换”的实现。 第一步，您需要运行SWT.m来生成LL子带和六个高频子带。 第二步，请将上面生成的高频子带分别复制到Content和Style文件中，然后运行command.sh进行小波域风格传输。 可以从下载VGG文件，然后将其放在pre-trained_model文件中。 在第三步骤中，通过VDSR网络进一步增强了在第一步骤中生成的LL子带。 注意，需要针对不同的小波滤波器对网络进行重新训练。 所提供的模型仅适用于哈尔过滤器。 在第四步中，通过运行ISWT.m，使用逆SWT将生成的LL和高频子带重新组合为图像。 样式传送软件代码基于进行了修改。 NRQM分数是使用PIRM挑战提供的matlab代码计算的。