#semantic-segmentation Repositories
Insgesamt 110 Repositories
Eine PyTorch-Implementierung von EfficientDet, die der ursprünglichen Google-Implementierung treu bleibt, mit portierten Gewichten
Ein codefreies, auf PyTorch basierendes Framework für reproduzierbare Deep-Learning-Studien. PyTorch-Ökosystem. 🏆 Bislang wurden 28 Methoden zur Wissensdestillation implementiert, die auf TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI usw. vorgestellt wurden. 🎁 Trainierte Modelle, Trainingsprotokolle und Konfigurationen stehen zur Verfügung, um die Reproduzierbarkeit sicherzustellen und Benchmarking zu ermöglichen.
Das Medical Detection Toolkit enthält 2D + 3D-Implementierungen gängiger Objekterkenner wie Mask R-CNN, Retina Net, Retina U-Net sowie ein Trainings- und Inferenz-Framework, das sich auf den Umgang mit medizinischen Bildern konzentriert.
[CVPR 2023] Eine akademische Alternative zu Teslas Occupancy Network für autonomes Fahren.
Anheben, Pflatsch, Schießen: Kodierung von Bildern aus beliebigen Kamerarigs durch implizites Zurückprojizieren in 3D (ECCV 2020)
Die offizielle PyTorch-Implementierung von OCNet, OCRNet und SegFix.
Framework für neuronale Netzwerkkompression für verbesserte OpenVINO™-Inferenz
Die Replica Dataset v1, wie in https://arxiv.org/abs/1906.05797 veröffentlicht.
Ein out-of-the-box Human-Parsing-Repräsentations-Extraktor.
[CVPR 2021 & IJCV 2024] Semantische Segmentierung aus einer Sequenz-zu-Sequenz-Perspektive mit Transformatoren neu überdacht
Hervorragende Arbeiten zur Multi-Kamera 3D-Objekterkennung und -segmentierung in der Vogelperspektive, wie DETR3D, BEVDet, BEVFormer, BEVDepth, UniAD
Offizielle PyTorch-Implementierung von Superpoint Transformer [ICCV'23], SuperCluster [3DV'24 Oral] und EZ-SP [ICRA'26]
UNetFormer: Ein UNet-ähnlicher Transformer für die effiziente semantische Segmentierung von Fernerkundungsbildern städtischer Szenen, ISPRS. Außerdem werden andere Vision Transformer und CNNs für die Segmentierung von Satelliten-, Luft- und UAV-Bildern einbezogen.
Leichte Modelle für die Echtzeit-Semantische Segmentierung auf PyTorch (einschließlich SQNet, LinkNet, SegNet, UNet, ENet, ERFNet, EDANet, ESPNet, ESPNetv2, LEDNet, ESNet, FSSNet, CGNet, DABNet, Fast-SCNN, ContextNet, FPENet usw.)
Deep-Learning-Inferenzknoten für ROS / ROS2 mit Unterstützung für NVIDIA Jetson und TensorRT
Skalierung Ihrer Kernel auf 31x31: Überprüfung des Designs großer Kernel in CNNs (CVPR 2022)
Offizielle PyTorch-Implementierung von ODISE: Open-Vocabulary Panoptic Segmentation mit Text-zu-Bild-Diffusionsmodellen [CVPR 2023 Highlight]
[ICLR 2024] Offizielle PyTorch-Implementierung von FasterViT: Schnelle Vision Transformer mit hierarchischer Aufmerksamkeit
Eine kuratierte Veröffentlichungsliste zu Open-Vokabular-semantischer Segmentierung und verwandten Bereichen (z. B. Zero-Shot-semantische Segmentierung) Ressourcen..
SemanticKITTI API zur Visualisierung des Datensatzes, Verarbeitung von Daten und Bewertung der Ergebnisse.
SSSegmentation: Eine Open-Source-Toolbox für überwachte semantische Segmentierung auf PyTorch-Basis.
Einfache PyTorch-Implementierungen von U-Net/FullyConvNet (FCN) für Bildsegmentierung
:books: Eine Sammlung von Aufsätzen über Referring Image Segmentation.
[CVPR'25 Highlight] Offizielles Repository von Sonata: Selbstüberwachtes Lernen von zuverlässigen Punktrepräsentationen
Hierarchische Wahrnehmungsbibliothek in Python für Pose-Schätzung, Objekterkennung, Instanzsegmentierung, Keypoint-Schätzung, Gesichtserkennung usw.
(IJCV2024 & ICCV2023) LSKNet: Ein grundlegendes leichtgewichtiges Backbone für die Fernerkundung
ViPlanner: Visuelles semantisches imperatives Lernen für die lokale Navigation
Portrait-Matting-Datensatz, enthält 34.427 Bilder und entsprechende Matting-Ergebnisbilder.
[CVPR 2024 Highlight] Feature 3DGS: Supercharging 3D Gaussian Splatting zur Ermöglichung destillierter Feature-Felder
Dieses Repository bietet eine umfassende Liste von Radar- und optischen Satellitendatensätzen, die für die Schiffsdetektion, -klassifizierung, -semantische Segmentierung und -instanzsegmentierung kuratiert wurden. Diese Datensätze sind ideal für Anwendungen in den Bereichen Computer Vision, maschinelles Lernen, Fernerkundung und maritime Analyse.
[NeurIPS 2021] LoveDA: Ein Fernerkundungs-Landbedeckungsdatensatz für die domänenadaptive semantische Segmentierung