1、目标检测红绿灯数据集 2、1万多张标注好的红绿灯数据图片 3、classes: red 、green 4、标签格式：txt和xml两种

城市交通网络中的随机混合均衡行为建模，赵晖，高自友，本文研究了随机系统中同时包含竞争行为与合作行为的混合交通平衡。在目标系统中，同时考虑三类不同性质的局中人，即具有随机用户

全套现代汽车：17辆漂亮的汽车； 具有镜面反射（金属工作流程），法线和咬合图的PBR材料 准备用于任何交通系统或作为简单的静态预制件。 网格非常详细，因此暂时不适合移动。 每辆车都有自己的预制件和材料，玻璃和标牌除外，其中所有车子共享相同的材料。

时间序列常用数据集（electrity，ETT，exchange，ILL，traffic，weather）

unity交通插件Mobile Traffic System1.3.3

深度包 博客文章中的详细信息： : 如何使用 克隆项目 下载我在创建的训练和测试集，或者如果您想从头开始处理数据，请下载。 使用docker镜像运行python代码： docker run -it \ -v /path/to/the/code:/data \ mhwong2007/deep_packet \ bash 如果要运行Jupyter笔记本，请使用以下命令： docker run -it \ -v /path/to/the/code:/data \ -p 8888:8888 \ mhwong2007/deep_packet \ jupyter lab --no-browser --ip=0.0.0.0 --port=8888 --NotebookApp.token= ' ' --allow-root 如果要自己构建环境，请在安装依赖项和库 数据预处理 python pr

颜色分类leetcode 实时交通标志检测和分类 使用 SSD 的新版本将于今年夏天发布，供任何需要更高精度检测方法的人使用。 请继续关注新的更新！ 1. 说明 该项目是一个使用 OpenCV 的视频交通标志检测和分类系统。 检测阶段使用图像处理技术在每个视频帧上创建轮廓并在这些轮廓中找到所有椭圆或圆。 它们被标记为交通标志的候选对象。 检测策略： 增加视频帧的对比度和动态范围 使用 HSV 颜色范围去除不必要的颜色，如绿色 使用 Laplacian of Gaussian 显示对象的边界 通过二值化制作轮廓。 检测椭圆形和圆形轮廓 在下一阶段 - 分类阶段，通过基于候选坐标从原始帧中裁剪来创建图像列表。 预训练的 SVM 模型将对这些图像进行分类，以找出它们是哪种类型的交通标志。 当前支持的交通标志（每个标志文件的名称与其在 SVM 中的类相对应）： 注意： 所有属于 8 级及以上的标志都被标记为OTHERS，因为比赛需要这样做。 还有一个 0 类被标记为非交通标志 仅对当前帧中最大的标志进行裁剪和分类 每次main.py调用时都会训练 SVM 模型，在检测阶段之前，但我仍然保存模型

CARLA真实交通场景 NGSIM高速公路 openDD回旋处 特征 模仿现实世界道路的手工地图 7个回旋处（ ） 2条高速公路（ ， ） 将真实流量从数据集传输到CARLA的代码 类似于场景API 我们还针对变道演习和回旋处导航任务对政策进行了培训和基准测试。 更多详细信息，我们的文章以及受过培训的政策的视频均发布在。 先决条件 git clone https://github.com/deepsense-ai/carla-real-traffic-scenarios.git && cd carla-real-traffic-scenarios pip install -r requirements.txt 如果在没有桌面的远程服务器上工作，请使用gdown从Google云端硬盘链接下载，例如 pip install gdown gdown --id 1FCHL7YJk

运动想象分类matlab代码交通车辆识别系统 夏季项目，使用MATLAB中的神经网络工具箱来区分收费车辆和免税旅行者。 文档尚未完成！>>代码重组待定>>关于Gpu的硬件限制（更好的Nvidia计算能力> = 3.5要求）>>使用背景减法的幼稚分割方法不适用于遮挡和重叠对象数量更多的复杂图像> > 由于必须上传经过训练的网络和数据集>>数据集>>数据集并且无法使用ImageCNN进行训练，因此该代码无法正常工作。m>> videotrafficgmm是分类的主要模块，其余都是支持组件>>适当测试视频，测试数据，训练有素的网络以及其他各种输入和输出的路径变量将必须根据您的系统进行重新校准。 由于数据上传限制（无法上传大型数据集和训练有素的网络）的限制，该存储库未考虑指定目的的实现。尽管对于感兴趣的用户了解在我的项目中使用的方法可能会有所帮助，用于某些常见的计算机视觉问题 摘要：->名为“项目”的目的是研究CNN不同组件的各种特性。 该项目的目的是从交通视频源中检测正在行驶的车辆并识别车辆的类别。为简单起见，将车辆分为收费和免收费两类。 付费车辆包括所有具有四个或更多车轮的机动车，这些机动

使用深度学习对加密流量进行分类 该存储库包含在2018年DTU Compute的硕士学位论文中使用和开发的代码。 教授一直是该硕士论文的导师。 来自一直是该项目的联合主管。 在本文中，我们研究和评估了使用神经网络对加密网络流量进行分类的不同方法。 为此，我们创建了一个具有流/非流焦点的数据集。 数据集包括七个不同的类，五个流分类和两个非流分类。 本文是对Napatech A / S的初步概念验证。 我们提出了一种新颖的方法，其中利用了网络流量的未加密部分，即标头。 这是通过将会话中的初始标头串联起来，从而形成一个签名数据点来完成的，如下图所示： 通过使用前8个和16个标头创建的数据集在此存储库的datasets文件夹中可用。 我们通过在串联头数据集上运行t-SNE来探索数据集。 从下面的t-SNE图可以看出，该图显示了合并的所有单个数据集，似乎可以对单个类进行分类。 在使用基于标头