文献阅读笔记——road segmention（一）

最新推荐文章于 2023-02-14 18:41:41 发布
最新推荐文章于 2023-02-14 18:41:41 发布
阅读量1.1k 收藏
点赞数
分类专栏： 机器学习 文章标签： 阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/iseehz/article/details/53413238
版权

一.文献名字和作者

  AFast Forest Road Segmentation for Real-timeRobot Self-navigation，2004，Toyota
   

二.阅读时间

    2016年11月30日



三.文献的贡献点

   一、通过均值区分road和non-road



    以到路面均值的欧氏距离，表示与路面的相似度，其中x表示像素值
    两个假设：1、特征具有光照不变性；2、road pixel分布在均值u周围


   二、基于颜色分割图像，由于色调（hue）中绿色g有最大值，所以以g表是特征（PS：森林的常见色就是绿色）


  
   三、道路边界拟合
    自下而上，滑动窗口，拟合出边界线



   计算方法：设模型为线性方程  


  最后得到的结果


iseehz
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
OpenLayer学习笔记——第一天
01-08
一、形成地图 导入文件 方式一：cnd导入 方式二：下载包导入 github地址：https://github.com/openlayers/openlayers/releases // 创建地图 new ol.Map({ layers: [ new ol.layer.Tile({source: new ol....
研究生如何做文献阅读笔记
10-20
研究生如何做文献阅读笔记 pdf 提高文献阅读效率 研究生如何做文献阅读笔记 pdf 提高文献阅读效率
TGRS2021:Road Segmentation for Remote Sensing ImagesUsing Adversarial Spatial Pyrami对抗性空间金字塔网络的道路分割
ssshyeong的博客
09-07 2037
我们引入了一种新的模型，将结构化域自适应应用于合成图像的生成和道路分割。我们将特征金字塔(FP)网络引入生成式对抗网络，以最小化源域和目标域之间的差异。一个发生器被学习产生高质量的合成图像，而鉴别器试图区分它们。我们还提出了一个FPnetwork，通过从网络的所有层中提取有效的特征来描述不同尺度的对象，从而提高了所提模型的性能。
【暂时完结】Prescan学习笔记
dreautumn的博客
12-10 1万+
Prescan学习记录1. Prescan基础知识1.1 Conventions·坐标1.2 Road segment·道路片段1.2.1 让一个路段连接其他两个路段1.2.2 配置车道线1.2.3 Road marking·道路标志1.3 Trajectory·轨迹1.3.1 建立一个Path·路径1.3.2 配置Speedprofile1.3.3 Synchronization of Trajectories·轨迹同步1.3.4 Multiple trajectories · 多轨迹分配 1. Pres
Apollo 2.0/2.5 规划模块代码层次结构说明
lzw0107的博客
02-25 1241
Apollo 2.0/2.5 规划模块代码层次结构说明 本文档将从代码层面讲解Apollo Planning规划模块的工作，规划模块是一个相对比较复杂的模块，他可以接受来自定位Localization、高精地图HD Map、交通灯模块Traffic Light，路由模块Routing以及预测模块Prediction的信息，并且综合上述信息，给出无人驾驶汽车在当前环境下短期内的路径规划。注意这个规划仅仅是短期的。 Apollo针对路径规划的思想是，利用Routing模块产生一条当前位置到终点的路径，这条路径是
pnc_map模块（规划与控制地图）
热门推荐
lzw0107的博客
08-12 1万+
pnc map其实和高精地图hd map没有关系，后者是专门为规划与控制模块设计的库函数，在hd map层次之上，负责一些地图相关信息的处理。例如查询车辆可能的形式路由段(list)，然后对每个路由段合成一个路径Path，这是pnc map最重要的功能。 pnc map目前被封装在指引线提供器ReferenceLineProvider中，但是由于其功能比较集中，我们单独将他拿出来讲解。规划控制地图pnc map主要的功能有三个： 更新路由信息。这部分接受Routing模块的路径查询响应，将其响应信息处理
【语义分割】swiftnet--In Defense of Pre-trained ImageNet Architectures for Real-time Semantic Segmentation
筱
07-23 2648
Swiftnet （1）采用encoder-decoder的网络架构，选择resnet18和mobilenetv2作为其主干网； （2）提出了一种扩大感受野的方法： fuse shared features at multiple resolutions in a novel fashion； （3）给出了一些语义分割的小trick
Solidworks学习笔记——随形变化.docx
07-13
Solidworks学习笔记——随形变化.docxSolidworks学习笔记——随形变化.docxSolidworks学习笔记——随形变化.docxSolidworks学习笔记——随形变化.docxSolidworks学习笔记——随形变化.docxSolidworks学习笔记——...
dubbo笔记——项目实战
02-24
存在2个系统，A系统和B系统，A系统调用B系统的接口获取数据，用于查询用户列表。安装zookeeper，解压（zookeeper-3.4.8.tar.gz）得到如下：然后进入conf将zoo_sample.cfg改名成zoo.cfg。并相关如下内容：该目录为...
Apollo：pnc map
OceanStar的博客
02-14 1437
PncMap是Planning and Control Map的缩写，即用于规划控制使用的地图。
Road_segmentation:2020年秋季机器学习课程的项目2
04-16
ML项目：道路分割 2020年秋季机器学习的项目2在aicorwd.com上EPFL机器学习课程范围内提出的道路分割挑战的背景下，我们的团队提出了一种基于U-Net架构的深度学习解决方案，成为目前最先进的细分问题。 通过执行预处理和后处理步骤，并使用具有Focal Loss的Adam优化器，我们能够获得令人满意的模型，该模型能够在测试集上获得0.886的F1评分和0.940的准确度。 团队成员 玛丽安·范·德·梅尔（Marijn VAN DER MEER） 莱昂·曼恩特（LéoMEYNENT） 文森特·托尼尔（Vincent TOURNIER） 预训练模型 不幸的是，我们的模型过于庞大，无法放入该存储库。 您可以自己训练它（这不能保证您会获得完全相同的结果），也可以从下载它。 存储库的结构： 该数据集可在aicrowd.com的官方页面上。 资料来源：主要脚本的辅助功能； 文件夹内
RoadSegmentation：分割地球的卫星图像：确定哪些部分是道路
02-04
道路分割 合作者： 目录 ： 介绍 该项目是 “模式分类和机器学习”课程的一部分。 更具体地说，这是我们针对道路分割的第二个项目的解决方案。 该文件概述了我们的代码及其功能。 有关该项目本身的所有其他说明，可以在其官方文件（ paper.pdf文件）中找到。 该项目的目标是通过确定哪些16x16像素斑块是道路还是不是道路来分割地球的卫星图像。 简而言之，该代码运行第一个卷积神经网络以获得基本预测。 此后，它运行第二个，即后处理一个，它使用先前计算的预测来给出最终预测。 结果 我们取得了约0.91的F1分数，下面您将看到一个图像，说明所获得的定性结果。 在图像上，每个检测到的道路补丁都以
ARM平台 segmention fault 问题定位
ahengheng365的博客
03-20 1201
1.Makefile -g -Wl,-Map,test.map 2./etc/profile ulimit -c unlimited #2048 3.user.sh echo “1” > /proc/sys/kernel/core_uses_pid gdb ./test core.xxx bt 4.src core.xxx test #vi /etc/security/limits.conf...
图像分割“Efficient Deep Models for Monocular Road Segmentation”
cv_family_z的博客
08-14 965
快速图像分割，在KITTI数据库上做路面的分割，原始分辨率分割可以达到50ms。主要的改动是反卷积层中参数分布的改动。路面分割是个二分类问题：路面和非路面。使用模型f(x,γ)f(x,\gamma)表示网络结构，γ\gamma是网络参数，通过最小化误差得到： 网络结构 FCN一般有一个浓缩部分，还有一个对应的反卷积部分。论文提出的改进模型如下图所示： 浓缩网络层使用VGG分类网络初始化，每个膨
语义分割--Efficient Deep Models for Monocular Road Segmentation
AI小作坊 的博客
08-02 3035
Efficient Deep Models for Monocular Road Segmentation code: https://lmb.informatik.uni-freiburg.de/Publications/2016/OB16b/针对路面检测和分割问题，本文结合FCN 和 U-Net 提出一个网络，在速度和精度方面得到不错的效果 KITTI benchmark lane/ro
语义分割——SegNet（四）
散修炼丹师手记
11-26 2736
简介 补充一下2015年发表的SegNet模型，它是由剑桥大学团队开发的图像分割的开源项目，该项目可以对图像中的物体所在区域进行分割。SegNet是在FCN的语义分割任务基础上，搭建encoder-decoder对称结构，实现端到端的像素级别图像分割。其新颖之处在于解码器对其较低分辨率的输入特征图进行上采样的方式。 SegNet论文地址：https://arxiv.org/abs/1511.005...
pyzmq-25.1.1b2-cp312-cp312-win_amd64.whl
最新发布
06-13
Python库是一组预先编写的代码模块，旨在帮助开发者实现特定的编程任务，无需从零开始编写代码。这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
LPMM阅读笔记——第3章 多电压域设计
06-01
很好，我会尽力回答你的问题。关于LPMM阅读笔记中的第3章——多电压域设计，主要讲述了在设计低功耗系统时，如何通过多电压域设计来降低功耗，提高系统效率。 在多电压域设计中，我们需要将系统划分成多个电压域，不同电压域的模块采用不同的电压供电。一般来说，高功耗模块采用高电压供电，低功耗模块采用低电压供电。这样可以有效降低系统功耗，提高系统效率。 在设计多电压域系统时，需要考虑以下几个方面： 1. 电压域划分：需要根据系统模块的功耗、性能要求等因素进行合理的电压域划分。 2. 电压转换：不同电压域之间需要进行电压转换，需要选择合适的电压转换器，同时需要考虑转换效率、稳定性等因素。 3. 时序设计：不同电压域之间的时序需要进行合理的设计，确保系统能够正常运行。 4. 信号传输：不同电压域之间的信号传输需要进行电平转换，需要选择合适的电平转换器。 综上所述，多电压域设计是降低低功耗系统功耗、提高系统效率的重要手段之一。但在实际应用中，需要综合考虑多个因素，进行合理的设计。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值