本文是作者参与Kaggle"Peking University/Baidu - Autonomous Driving"比赛的铜牌总结，主要涵盖赛题解读和数据集分析。比赛要求基于图像估计车辆的6个自由度姿态。数据集包括带标签的训练图片、未标注的测试图片、3D模型和相机参数。作者讨论了数据集中pose information的含义，并分享了参赛技巧和资源链接。
前言
前段时间打了kaggle上的"Peking University/Baidu - Autonomous Driving"比赛，竞赛时间为三个月，前期一直在银牌区域，但到了比赛后期，各路大神出来一顿乱秀，最终获得铜牌，该系列博客是在比赛中采取的一些方法技巧及心得的总结。
- 本系列博客分为两部分：
Part 1、该Kaggle竞赛的赛题解读以及数据集分析
Part 2、我在竞赛中采取的一些方法技巧总结
Part 1、Kaggle竞赛的赛题解读及数据集分析
竞赛平台：kaggle
什么？还不知道kaggle是什么？看这里：
推荐一个知乎高赞的回答：Kaggle入门，看这一篇就够了
竞赛题目：Peking University/Baidu - Autonomous Driving
赛题描述：百度的RAL联合北京大学基于工业级的CAD汽车模型，为竞赛者提供来自5277个真实图片的超过60000个带标签的3D汽车实例。要求参赛者开发一种算法，并据此估计来自真实交通环境的单一图片中车辆的绝对姿态（6个自由度）。
属于图像处理，计算机视觉一类的竞赛。
大致了解了这个比赛是做什么的，接下来我们开始详细剖析。
1、数据集分析
图像处理当然首先关心图像数据集！
- 训练数据集（train_images.zip）：包含4262张带标签的图片，所有图片均在一辆车车顶相机位置拍摄
扫一扫
3676
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
