通过bp神经网路和证据理论的信息处理,是系统对火灾信息的报警信息更加准确
2022-01-29 13:23:17 140KB 火灾报警
1
miniAHRS程序,内有使用加速度传感器陀螺仪和磁力计得出四元数的代码。
2022-01-23 16:49:04 1.33MB miniAHRS 四元数 数据融合
1
数据融合matlab代码基准模型 这是使用卡尔曼滤波器进行基线生产的代码。 它是在以下模型中实现的模型的实现: 要使用此代码: 设置参数,数据集路径settings.yaml(Bicycle模型可能显示训练不稳定,欢迎提供帮助。) 运行train_kalman_predict.py开始训练。 在settings.yaml的load_name字段中输入经过训练的模型的名称(应采用 _ _ 的形式) 运行plot_results.py以绘制轨迹样本,估计的位置和预测 运行save_results.py以保存在测试集上计算出的预测结果 运行stats_results.py以打印度量标准评估,绘制协方差匹配和误差直方图(来自保存的结果) #数据集 NGSIM 在NGSIM网站上: 在以下位置注册 下载US-101-LosAngeles-CA.zip和I-80-Emeryville-CA.zip 将车辆轨迹数据解压缩并提取到raw / us-101和raw / i-80中 从googledrive: 下载i-80: 下载us-101: 数据集字段: do
2022-01-18 11:40:17 62KB 系统开源
1
数据融合matlab代码PatchmatchNet(CVPR2021口服) 论文“ PatchmatchNet:学习的多视图Patchmatch立体声”的官方源代码 介绍 PatchmatchNet是基于学习的Patchmatch的一种新颖的级联形式,旨在减少高分辨率多视图立体声的内存消耗和计算时间。 如果您发现此项目对您的研究有用,请引用: @misc{wang2020patchmatchnet, title={PatchmatchNet: Learned Multi-View Patchmatch Stereo}, author={Fangjinhua Wang and Silvano Galliani and Christoph Vogel and Pablo Speciale and Marc Pollefeys}, journal={CVPR}, year={2021} } 安装 要求 的Python 3.7 CUDA> = 10.1 pip install -r requirements.txt 再现结果 下载我们的预处理数据集:和。 每个数据集的组织方式如下: root_
2022-01-15 10:10:32 2.66MB 系统开源
1
多传感器数据融合技术.pdf
2022-01-12 20:51:30 20.64MB 文章
1
数据融合matlab代码L8S2NDVI 使用ASRCNN融合Sentinel-Landsat NDVI 通过MS OneDrive公开访问使用的数据: 附件文件“ data.mat”包括高分辨率Sentinel-2(hr1,hr2,hr3)和低分辨率Landat-8(lr1,lr2,lr3)图像。 云遮罩和间隙填充的预处理已在MATLAB中进行。 所有图像的表面反射率范围为0〜10000。 变量R和refCode可通过以下matlab代码用于重建Geotiff文件: geotiffwrite('Sentinel_t1.tif',hr1,R,'CoordRefSysCode',refCode); geotiffwrite('Landsat_t2.tif',;lr2,R,'CoordRefSysCode',refCode); “ data.mat”中的图像尺寸为1600x1600。 一个子集用于训练和测试,即数据[4:1596,4:1596 ,:] 重现结果: 以农田站点的BI模式为例,将农田站点的“ data.mat”复制到文件夹“ cropland_BI”,然后运行 python a
2022-01-10 21:09:46 6.69MB 系统开源
1
数据融合matlab代码EPIC实验室@GeorgiaTech的Sensor-Fusion团队自动进行间隙填充和运动捕捉工具 如果您认为此代码有用,请考虑引用以下内容: @article{doi:10.1080/10255842.2020.1789971, author = { Jonathan Camargo and Aditya Ramanathan and Noel Csomay-Shanklin and Aaron Young }, title = {Automated gap-filling for marker-based biomechanical motion capture data}, journal = {Computer Methods in Biomechanics and Biomedical Engineering}, publisher = {Taylor & Francis}, doi = {10.1080/10255842.2020.1789971}, note ={PMID: 32654510}, URL = {https://doi.org/10
2022-01-10 20:17:52 10.45MB 系统开源
1
数据融合matlab代码MonoDepth-FPN-PyTorch 一个简单的端到端模型,可在PyTorch中实现深度预测的最新性能。 我们使用功能金字塔网络(FPN)骨架来从单个输入RGB图像估计深度图。 我们在NYU深度V2数据集(官方拆分)和KITTI数据集(本征拆分)上测试了模型的性能。 要求 的Python 3 Jupyter Notebook(可视化) 火炬用PyTorch 0.3.0.post4测试 CUDA 8(如果使用CUDA) 跑步 python3 main_fpn.py --cuda --bs 6 要从保存的模型继续训练,请使用 python3 main_fpn.py --cuda --bs 6 --r True --checkepoch 10 要可视化重建的数据,请在vis.ipynb中运行jupyter笔记本。 数据处理 NYU深度V2数据集 包含各种室内场景,其中249个用于训练的场景和215个用于测试的场景。 我们使用官方分组进行了培训和测试。 这为数据处理提供了非常详细的演练和matlab代码。 在先前的工作之后,我们使用了官方工具箱,该工具箱使用了Le
2022-01-09 19:38:26 233KB 系统开源
1
图像分割是计算机视觉中的经典问题,在许多领域都有重要应用.由于图像信息存在不确定性,难以获得精确的分割结果,为应对图像分割中的不确定性问题,将证据理论这一不确定性建模与推理工具与马尔可夫随机场相结合,提出证据马尔可夫随机场(EMRF)模型,并基于此提出新的图像分割算法.EMRF利用证据标号场描述像素标号的含混性,以证据距离描述相邻像素间的标号关系,利用条件迭代模型(ICM)算法进行优化.实验结果表明,EMRF相较于传统马尔可夫随机场、模糊马尔可夫随机场和传统的基于证据理论的方法,能获得更好的分割效果.
1
数据融合matlab代码通过视觉惯性数据融合进行室内导航 这是与本文相关的MATLAB代码: 走廊视频及其同步的IMU测量值包含在./sample_video/目录中。 走廊视频的运行代码 运行demo_vpdetect_modular.m 此代码包含以下部分: 阅读整个视频 读取IMU数据 同步IMU和视频(如果不同步) 在每帧上应用GMM方法 直线分组 从消失的方向中查找每个帧的alpha,beta和gamma IMU和视频的卡尔曼滤波器融合 视线检测 平面检测和深度/宽度推断 步数统计和查找步数位置 2D地图生成 引文 如果您发现我们的工作对您的研究有用,请考虑引用我们的论文: @inproceedings{farnoosh2018first, title={First-person indoor navigation via vision-inertial data fusion}, author={Farnoosh, Amirreza and Nabian, Mohsen and Closas, Pau and Ostadabbas, Sarah}, booktitle={P
2022-01-03 10:09:19 8.75MB 系统开源
1