S³Gaussian是Street Gaussians的一个重要演进。它最大的突破在于摆脱了对昂贵3D标注的依赖,通过自监督学习的方式,仅利用图像序列和相机位姿,就能实现高质量的动态街景重建。这使得它比Street Gaussians更具通用性和实用性,为构建大规模、低成本的自动驾驶仿真器提供了新的可能。
本项目为2020年中国软件杯A组第一批赛题"基于计算机视觉的交通场景智能应用".项目用python实现,主要使用YOLO模型实现道路目标如人、车、交通灯等物体的识别,使用开源的"中文车牌识别HyperLPR"项目实现车牌识别功能.
基于yolo5工地安全帽和禁入危险区域识别系统,附数据集 https://github.com/PeterH0323/Smart_Construction
https://github.com/hukaixuan19970627/yolov5_obb
yolov5 deepsort 行人 车辆 跟踪 检测 计数
基于强化学习的模型预测控制方法,本文所做的代码是基于“Reinforcement Learning-Based Model Predictive Control for Discrete-Time Systems”,发布于IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, VOL. 35, NO. 3, MARCH 2024。