【数据集】自动驾驶都有什么测试基准?

【自动驾驶方向】十大数据集汇总,速看! 简介:随着无人机的普及和计算机视觉技术的发展,高精度航拍视角车辆轨迹数据成为了当下诸多热点的研究方向的基础,包括基于冲突的安全分析,驾驶行为建模,自动驾驶算法、主动交通安全和互联交通安全应用。由组成: 100 万个 LiDAR 帧,700 万个相机图像 200 平方公里的驾驶区域,144 个驾驶小时 15k 个完全注释的场景,分为 5 个类别(汽车、公共汽车、卡车、行人、骑自行车的人) 多样化的环境(白天/夜晚、晴天/雨天、城市/郊区)中国城市停车数据集(CCPD)是用于车牌检测和识别的数据集。 阅读详情

文章首发于微信公众号《有三AI》

【数据集】自动驾驶都有什么测试基准?

自动驾驶是现在非常活跃的领域,几乎所有的车厂,大型互联网公司都参与其中,其中计算机视觉技术的应用也非常广泛,这篇文章将对自动驾驶中的重要数据集做简单介绍。

 

01 KITTI数据集

数据集地址:http://www.cvlibs.net/datasets/kitti/index.php

发布于2009年,KITTI数据集是由德国卡尔斯鲁厄理工学院和芝加哥丰田技术学院联合创办的项目。

该数据集中的数据主要是在德国的卡尔斯鲁厄周边的农村和高速公路拍摄而成,每张图象最多显示15辆汽车和30名行人,各自有各种程度的遮挡。数据集是在装有激光雷达的车辆上以10Hz的频率采样进行采集,最终包含389对立体图像和光流图,39.2km视觉测距序列,200k以上的3D标注物体的图像,涵盖了市区、乡村和高速公路等场景,包括图片、视频、雷达数据等数据类型。

数据集的语义标签包括:

‘Road’,‘City’,‘Person’,‘Campus’和‘Residential’五大类。

KITTY数据集可以用于评测各种任务,包括立体图像(stereo),光流(optical flow),视觉测距(visual odometry),深度估计(depth prediction),3D物体检测(object detection),3D跟踪(tracking),路面以及车道线检测等。

参考论文链接:http://www.webmail.cvlibs.net/publications/Geiger2012CVPR.pdf

 

02 Oxford RobotCar数据集

数据集地址:https://www.cityscapes-dataset.com/

发布于2014年,是在牛津大学校园内路测,总长度1010.64公里,历时一年半所采集的数据集。在各种天气条件下进行收集,包括大雨,夜间,阳光直射和积雪,也包含施工路段行驶场景,具有非常复杂的天气场景,尤其适合评测计算机视觉算法。

下图是数据采集时所走的路线图。

下图是在不同天气、光线情况和交通状况下的数据集中的示例图。

参考论文链接:http://robotcar-dataset.robots.ox.ac.uk/images/robotcar_ijrr.pdf 

 

03 Cityscape数据集

数据集地址:

https://www.cityscapes-dataset.com/Cityscapes

发布于2016年,这是由奔驰采集的面向城市道路街景语义理解的数据集。Cityscapes包含50个城市在春夏秋三个季节不同时间段不同场景、背景的街景图,提供5000张精细标注的图像、20000张粗略标注的图像、30类标注物体。用PASCAL VOC标准的 intersection-over-union(IoU)得分来对算法性能进行评价。

参考论文链接: https://arxiv.org/pdf/1604.01685.pdf 

 

04 Common.ai数据集

数据集地址:https://github.com/commaai/research

发布于2016年,这是一段高速公路的视频数据集,包括10个可变大小的视频片段,以20Hz的频率记录。数据除了图像之外,还记录了一些测量值,如汽车速度,加速度,转向角,GPS坐标,陀螺仪角度。

参考论文链接:https://arxiv.org/pdf/1608.01230.pdf

 

05 Udacity数据集

数据集地址:https://github.com/udacity/self-driving-car/tree/master/datasets

发布于2016年,Udacity是Google开设的线上教育平台,其中有自动驾驶相关线上培训,它也为其自动驾驶算法比赛专门准备了数据集。这个数据集包括在加利福尼亚和邻近城市在白天条件下行驶拍摄的图像,为1920×1200分辨率的9423帧图像,包含超过65000个标签。数据集是由CuldAd使用机器学习算法和研究员共同进行标注。

除了车辆拍摄的图像以外,还包括车辆本身的属性和参数信息,例如经纬度、制动器、油门、转向度、转速。

 

06 BDD100K数据集

数据集地址:http://bdd-data.berkeley.edu/#video

发布于2018年,这是目前来说最大规模也是最多样化的驾驶视频数据集,这些数据具有四个主要特征:大规模,多样化,在真实的街道采集,并带有时间信息。

该数据集有累计超过1100小时驾驶体验的100000个高清视频序列。每个视频大约40秒长、分辨率为720p、帧率为30fps,还附有手机记录的GPS/IMU信息,以显示大概的驾驶轨迹。数据库涵盖了不同的天气条件,包括晴天、阴天和雨天,以及白天和晚上的不同时间。

BAIR研究者在每个视频的第10秒采样关键帧,并为这些关键帧提供注释。它们被标记为几个级别:图像标记、道路对象边界框、可驾驶区域、车道标记线和全帧实例分割,具体来说如下。

边界框标注,为经常出现在道路上的所有10万个关键帧上的对象标上对象边界框,以了解对象的分布及其位置。另外它包含比同类数据集更多的行人实例。

车道标注,车道线是人类驾驶员重要的道路指示,当GPS或地图没有精准地全球覆盖时,它们也是自动驾驶系统驾驶方向和定位的关键线索。车道的标记分为两种类型,垂直车道标记和平行车道标记。垂直车道标记表示沿着车道行驶方向的标记,平行车道标记表示车道上的车辆需要停车的标志。另外还提供了若干标记的属性,例如实线与虚线以及双层与单层。

下图是数据集中的部分图像。

下图展示了数据收集在一个城市分布的密集程度。

参考论文链接:http://openaccess.thecvf.com/content_cvpr_2017/papers/Xu_End-To-End_Learning_of_CVPR_2017_paper.pdf

 

07 CVPR Workshop

这是CVPR近几年举办的自动驾驶的workshop,由于深度学习的兴起,计算机视觉等技术被用于自动驾驶的目标检测,语义分割等领域,因此CVPR也开设了若干相关的workshop。具体的单元包括可行驶区域检测,路面的模板检测,跨域的语义分割,以及移动目标的实例级别的分割。

 

08 GTA数据集

数据集地址:http://www.rockstargames.com/grandtheftauto/

英特尔的GTA的AI和这个虚拟世界给予了训练自动驾驶的可行性,一款赛车游戏《Grand Theft Auto 5》也被用来训练自动驾驶的模型,而且是一个相对廉价且适合初级人工智能探索的自动驾驶试验场。GTA是以语义分割为主,基于虚拟的游戏环境,但接近真实世界,其中几乎涵盖了各种各样的道路状况,包括山区、郊区和城市。还有各种各样的车辆,比如警车、救护车、出租车、货车等车型。

 

09 TORCS数据集

数据集地址: http://torcs.sourceforge.net/

TORCS是一种高度便携的多平台赛车模拟,被用作普通的赛车游戏,可以作为AI赛车游戏和研究平台。

 

10 nuScenes数据集

数据集地址:

https://d3u7q4379vrm7e.cloudfront.net/download

发布于2018年,是由NuTonomy编辑的,并将于2019年推出最全的nuScenes数据集。采集了1000多个场景,其中包含140万幅图像、40万次激光雷达扫描(判断物体之间距离)和110万个三维边界框(用RGB相机、雷达和激光雷达组合检测的物体)。此次数据的搜集使用了6个摄像头、1个激光雷达、 5个毫米波雷达、GPS及惯导系统,包括了对于自动驾驶系统来说非常具有挑战性的复杂道路、天气条件等情况。

 

11 百度ApolloScape数据集

数据集地址:http://apolloscape.auto/scene.html

发布于2018年,是由百度Apollo提供的数据集。数据集中提供的图像分辨率为3384×2710,定义了共26个不同语义项的数据实例(例如汽车、自行车、行人、建筑、路灯等),而且将进一步涵盖更复杂的环境、天气和交通状况等。预计2018年数据集将完整发布包含20万帧的图像数据,包含对应的像素级标注和姿态信息。整个数据集将包含逐像素标注的高分辨率图像序列,以及场景语义分割级别的稠密3D Point的RGB视频。

更多请移步知乎《有三AI学院》与公众号《有三AI》

注:部分图片来自网络

—END—

感谢各位看官的耐心阅读,不足之处希望多多指教。后续内容将会不定期奉上,欢迎大家关注有三公众号 有三AI!

 

 

 

 

nuScenes 数据集解析 nuScenes 数据集解析 nuScenes数据集 是自动驾驶公司nuTonomy建立的大规模自动驾驶数据集,该数据集不仅包含了Camera和Lidar,和radar数据。作为3D目标检测,我们使用算法的时候看一下数据集的构造。 数据集下载网址:https://www.nuscenes.org 传感器设备 nuScenes 传感器设备包含6个摄像头,5个radars,一个Lidar和GPS,IMU。 Lidar 20Hz capture frequency, 32 channel, 360° Horiz 阅读详情

相关推荐

【数据集合集】最全最新——智能交通和无人驾驶相关数据集

【数据集合集】智能交通和无人驾驶相关一、无人驾驶数据集:1. The H3D Dataset:2. nuscenes:3. ApolloCar3D:4. KITTI Vision Benchmark Suite:5. Cityscape Dataset:6. Mapillary Vistas Dataset: 一、无人驾驶数据集: 1. The H3D Dataset: 官网: https://usa.honda-ri.com/h3d 论文地址: https://arxiv.org/abs/1903.01

梁瑛平的博客 1万+

【数据集(1)】无人驾驶数据库数据集汇总(不断更新)

20230221:增加表格:《nuScenes与其他数据集的对比》,稀少目标数据集ROD Rare object dataset。

AbiUni(YY熊) 1万+

恶劣天气数据集(雨天,雪天,雾天)

恶劣天气数据集(雨天,雪天,雾天),三个天气各一万张,来源为爬虫,因为太大了,把雾天和雨天删除了1000张

收藏|43个自动驾驶经典、热门数据集资源汇总

当今社会,自动驾驶技术已成为汽车产业的未来趋势。但是,要想让自动驾驶车辆真正上路行驶,离不开大规模的高质量数据集的支撑。本文将为您介绍43个经典、热门的自动驾驶数据集,希望对您在选择适合的数据集时有所帮助。

OpenDataLab的博客 1万+

恶劣天气数据集(雨天,雪天,雾天)每种天气类型都包含了10000张图像,总计30000张

数据集在信息技术领域,尤其是机器学习和人工智能中扮演着至关重要的角色。本数据集专注于恶劣天气条件,包括雨天、雪天和雾天,每种天气类型都包含了10000张图像,总计30000张。这些图像可能是从网络上通过爬虫程序抓取的,用于训练或验证算法,特别是那些与视觉识别和环境感知相关的算法。 我们来看“雨天”数据子集。雨天图像可以用于训练模型识别雨天的特征,如水珠、模糊的视线以及雨天对物体颜色和纹理的影响。这对于自动驾驶汽车的安全行驶、气象预测系统或增强现实应用都是有价值的。例如,一个视觉检测系统需要学会区分雨滴在窗户上的投影与道路的其他障碍物。 接着是“雾天”数据子集。雾天图像有助于模型理解低能见度条件下的场景。雾可以改变颜色、对比度和深度感知,因此,这些数据可以帮助改善无人机导航、监控摄像头的图像处理或户外机器人定位。雾天数据集对于研究去雾算法也是十分有用的。 “雪天”数据子集。雪天图像涉及到雪覆盖的地面、建筑物和物体,以及可能的反射和阴影变化。这在冬季环境的识别中非常关键,如冬季驾驶辅助系统、雪灾监测或者滑雪场的安全管理。此外,雪的积累和融化也可能影响物体检测和跟踪算法。 由于原始数

跨境TRS投资实战:从开户到交易的完整系统解析

本文系统解析了跨境TRS(总收益互换)投资的完整实战流程。详细阐述了TRS作为境外资金投资A股的灵活工具,如何通过其独特的合约结构绕开港股通限制,并提供杠杆效应。内容涵盖从选择机构、开通账户、资金管理到核心交易操作的全过程,并强调了构建包含策略、风控与心态的完整投资系统的重要性。

weixin_29233333的博客 314

「数据集」自动驾驶都有什么测试基准?

https://www.toutiao.com/i6695877799351157261/ 自动驾驶是现在非常活跃的领域,几乎所有的车厂,大型互联网公司都参与其中,其中计算机视觉技术的应用也非常广泛,这篇文章将对自动驾驶中的重要数据集做简单介绍。 作者 | Nora/言有三 编辑 | 言有三 01 KITTI数据集 数据集地址:http://www.cvlibs....

喜欢打酱油的老鸟 1106

CarSim转向控制对比指南:开环扭矩控制vs转角控制(附Simulink连接示例)

本文深入对比了CarSim中车轮转角控制与开环扭矩控制的核心原理与适用场景。开环扭矩控制能激活完整的转向系统动力学,更适用于EPS控制策略开发与驾驶员在环仿真等对真实性要求高的场景。文章提供了详细的Simulink接口配置步骤与连接示例,为车辆动力学仿真工程师提供了清晰的决策与实操指南。

weixin_29199873的博客 480

自动驾驶数据集

1.自动驾驶领域常用的数据集(检测,分割,定位) 2.数据集:自动驾驶都有什么测试基准

bmwlwg的博客 494

嵌入式SPI总线抽象设计:跨平台驱动与分层解耦实践

SPI(串行外设接口)是嵌入式系统中应用最广泛的同步串行通信协议,其核心价值在于高吞吐、低开销与硬件简洁性。其工作原理基于主从架构、全双工/半双工时序及片选(CS)控制,依赖CPOL/CPHA组合定义四种标准模式。在工程实践中,SPI常面临硬件资源受限、多外设共用总线、MCU平台迁移等挑战,导致驱动复用率低、维护成本高。通过结构体+函数指针实现的分层抽象——将物理总线、协议适配与设备驱动解耦,可显著提升代码可移植性与扩展性。该方法天然支持硬件SPI与GPIO模拟SPI双模式切换,并已在STM32等主流MCU

weixin_42601134的博客 62

Calpuff模型实战:从气象数据预处理到污染物扩散模拟全流程指南

本文提供了一份详尽的Calpuff模型实战指南,涵盖从气象数据预处理、地形处理到污染物扩散模拟与结果可视化的全流程。重点解析了Calmet气象场构建、Calpuff核心参数配置,并与AERMOD模型进行对比,帮助环境工程师与科研人员掌握这一强大的三维非稳态拉格朗日扩散模型,以应对复杂地形、海岸熏烟等实际模拟挑战。

s4t5u6v7的博客 461

DriveMLLM:一个专为自动驾驶空间理解任务设计的大规模基准数据集

2024-11-20, 由武汉大学、中国科学院自动化研究所、悉尼科技大学、牛津大学等合创建了DriveMLLM数据集,该数据集是自动驾驶领域首个专为评估多模态大型语言模型(MLLMs)空间理解能力而设计的基准,对于推动自动驾驶技术的发展具有重要意义。

u011559552的博客 1179

Apollo Planning决策规划算法代码详细解析 (1):Scenario选择

本文重点讲解Apollo代码中怎样配置Scenario以及选择当前Scenario,Scenario决策是Apollo规划算法的第一步,本文会对代码进行详细解析,也会梳理整个决策流程,码字不易,喜欢的朋友们麻烦点个关注与赞。 在本文你将学到下面这些内容: 规划器planer的种类; 规划器planer的主要函数及逻辑; 场景管理类ScenarioManager的运行机制; 场景注册方法; 场景决策流程,如何选择当前场景 详细的apollo决策规划代码分析 代码具体过程如下: 1、Scenar

自动驾驶Player的博客 1万+

MAN TruckScenes数据集:第一个用于自动驾驶卡车的大规模多模式数据集。

2024-07-15,为了推进自动驾驶卡车技术的发展并确保其在公共道路上的安全性,由慕尼黑工业大学和MAN Truck & Bus SE联合创建了MAN TruckScenes数据集。数据集首次为研究社区提供了一个包含丰富环境条件下的卡车特定挑战,如拖车遮挡、新型传感器视角和终点站环境的多模态数据集,具有里程碑式的意义。

u011559552的博客 1680

03、ZigBee 开发教程之进阶篇—CC2530无线传输质量检测

文章目录1、Packet Error Rate Tester(包错误率测试)理论分析1.1、工作流程1.2、流程图1.3、丢包、PER、RSSI计算方法2、实验详解2.1、实验目的2.2、实验设备2.3、实验现象2.4、源码分析2.5、实验步骤及现象 1、Packet Error Rate Tester(包错误率测试)理论分析 1.1、工作流程 Packet Error Rate Tester(包错误率测试) 1、启动 板载外设、射频IO、系统时钟、中断等初始化(halBoardInit();); Bas

嵌入式羊圈 1539

基于计算机视觉的无人便利店技术:从算法到部署的系统化实战指南

摘要:本文系统介绍了基于计算机视觉的无人便利店技术方案,提出"商品检测-跟踪-动作识别-防损-结算"五段式流水线架构。详细阐述了YOLOv8-Seg商品检测、OC-Sort多目标跟踪、3D-CNN+ST-GCN动作识别等核心算法实现,并完成NVIDIA Jetson Xavier NX边缘端的优化部署。通过TensorRT量化、DeepStream加速等技术手段,系统在保持94.7%动作识别准确率的同时,将漏单率降至0.8%,单店云端算力成本较行业平均降低84%。所有代码已开源,可直接应

博客 627

Bench2Drive:端到端自动驾驶闭环基准测试完全指南

Bench2Drive是由Thinklab-SJTU开发的自动驾驶基准测试框架,作为NeurIPS 2024数据集与基准测试赛道的重要成果,它为自动驾驶研究提供了一个全新的评估范式。该项目通过结合强化学习中的世界模型专家Think2Drive,构建了一个准真实场景的闭环端到端评估体系,彻底改变了传统自动驾驶基准测试的局限性。 [![Bench2Drive项目概览](https://raw.git

gitblog_01150的博客 748

第六:Charles抓包-苹果手机抓包

【代码】第六:Charles抓包-苹果手机抓包。

欢迎来到本博客! 1660

AIDOVECL数据集:包含超过15000张AI生成的车辆图像数据集,目的解决旨在解决眼水平分类和定位问题。

2024-11-01,由伊利诺伊大学厄巴纳-香槟分校的研究团队创建的AIDOVECL数据集,通过AI生成的车辆图像,显著减少了手动标注工作,为自动驾驶、城市规划和环境监测等领域提供了丰富的眼水平车辆图像资源。

u011559552的博客 840

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Bench2Drive:开启自动驾驶基准测试新篇章的完整指南

自动驾驶基准测试是评估和提升自动驾驶系统性能的关键环节。在众多基准测试平台中,Bench2Drive以其独特的闭环端到端设计和世界模型强化学习专家而脱颖而出,为研究者和开发者提供了一个全面、可靠的评估框架。 ## 🚀 项目概览 Bench2Drive是一个基于CARLA仿真环境的自动驾驶基准测试平台,它通过世界模型强化学习技术构建了一个强专家系统,能够生成大规模、多样化的训练数据集。该项目不

gitblog_00313的博客 362

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Para-Lane: 首个真实世界多车道数据集,目的评估自动驾驶系统中的新型视角合成能力。

2025-02-22,阿里巴巴集团菜鸟自动驾驶实验室和百度研究院共同创建了一个名为 Para-Lane 的真实世界多车道数据集。该数据集目的评估自动驾驶系统中的新型视角合成(NVS)能力,通过提供大量真实世界的数据,弥补了现有合成数据集在真实性方面的不足,为自动驾驶技术的发展和仿真提供了重要支持。

u011559552的博客 1612

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

从Waymo到nuScenes:多模态融合算法在三大自动驾驶数据集上的表现对比(2024最新基准测试)

本文基于2024年最新基准测试,对比了多模态融合算法在KITTI、Waymo和nuScenes三大自动驾驶数据集上的实战表现。文章深入分析了强融合与弱融合策略在不同数据集(如NDS、APH指标)下的优劣,并探讨了传感器配置与算法选型的协同设计,为自动驾驶感知系统的评估与落地提供了数据驱动的决策指南。

zz67890的博客 735

数据集KITTI

我们提供了一个新的数据集,该数据通过一辆大众旅行车采集,旨在用于移动机器人和自动驾驶研究。总共记录了6小时的交通场景,采集频率为10-100HZ,使用了多种传感器,包括高分辨率色彩和灰度立体相机、Velodyne 3D激光扫描仪以及高精度GPS/IMU惯性导航系统。这些场景多样,涵盖了从高速公路、乡村地区到城市内部的实际交通情况,包含了大量静态和动态物体我们的数据经过校准、同步和时间戳处理,并提供了校正后的图像序列以及原始图像序列。

m0_60799447的博客 2744

ICLR 2025 端到端自动驾驶佳作汇总赏析(全部开源)

端到端自动驾驶(E2EAD)方法通常依赖监督式感知任务来提取显式场景信息(如物体、地图)。这种依赖性不仅需要昂贵的标注成本,还制约了实时应用中的部署与数据扩展能力。本文提出SSR框架,仅用16个导航引导的稀疏场景表征令牌,即可高效提取E2EAD所需的关键场景信息。该方法摒弃了人工设计的监督式子任务,使计算资源集中处理与导航意图直接相关的核心要素。我们进一步引入时序增强模块,通过自监督机制对齐预测的未来场景与实际场景。

yyyyyybw的博客 1591

8万条!清华开源VLA数据集:面向自动驾驶极端场景,安全提升35%

为探究第二个核心问题——即Impromptu VLA数据集具体提升自动驾驶哪些能力维度(感知/预测/规划),以及验证集作为诊断基准的效能——利用其规划导向的问答任务展开诊断评估套件:通过面向特定任务场景的对比方法,评测基础视觉-语言模型(VLM)与基于本数据集调优版本的性能差异。将描述文本精炼为有效的非结构化挑战类别:首先通过编程化识别滤除常规驾驶场景,执行基于视觉-语言模型(VLM)的二次分类——利用精心设计的提示词指令,使Qwen2.5-VL作为场景分类器评估原始描述是否属于非常规案例。

CV_Autobot的博客 608

Griffin: Aerial-Ground Cooperative Detection and Tracking Dataset and Benchmark—空中-地面协同检测与跟踪数据集和基准测试

Griffin: Aerial-Ground Cooperative Detection and Tracking Dataset and Benchmark—空中-地面协同检测与跟踪数据集和基准测试

Together_CZ的博客 1720
上一篇: 【技术综述】一文道尽R-CNN系列目标检测
下一篇: 【数据集】一文道尽医学图像数据集与竞赛
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3635粉丝 976原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

打赏作者

言有三

三人行必有AI

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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