#semantic-segmentation Repositorios
110 repositorios en total
Una implementación de PyTorch de EfficientDet fiel a la implementación original de Google con pesos portados
Un framework sin necesidad de programar, basado en PyTorch, para realizar estudios de aprendizaje profundo reproducibles. Ecosistema PyTorch. 🏆 Hasta ahora se han implementado 28 métodos de destilación del conocimiento presentados en TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, etc. 🎁 Se ofrecen modelos entrenados, registros de entrenamiento y configuraciones para garantizar la reproducibilidad y facilitar la evaluación comparativa.
[ICLR 2023 Spotlight] Adaptador de Vision Transformer para Predicciones Densas
La Medical Detection Toolkit contiene implementaciones 2D + 3D de detectores de objetos prevalentes como Mask R-CNN, Retina Net, Retina U-Net, así como un marco de entrenamiento e inferencia enfocado en el manejo de imágenes médicas.
BatchNorm Activado In Situ para el Entrenamiento Optimizado en Memoria de DNNs
[CVPR 2023] Una alternativa académica a la red de ocupación de Tesla para la conducción autónoma.
Levantar, Salpicar, Disparar: Codificación de imágenes de rigs de cámara arbitrarios reproyectando implícitamente a 3D (ECCV 2020)
Framework de compresión de redes neuronales para una inferencia OpenVINO™ mejorada
El Replica Dataset v1 tal como se publicó en https://arxiv.org/abs/1906.05797.
Un extractor de representaciones de parsing humano listo para usar.
[CVPR 2021 & IJCV 2024] Repensando la segmentación semántica desde una perspectiva de secuencia a secuencia con Transformers
Impresionantes artículos sobre detección y segmentación de objetos 3D Multi-Cámara en vista de pájaro, como DETR3D, BEVDet, BEVFormer, BEVDepth, UniAD
Implementación oficial de PyTorch de Superpoint Transformer [ICCV'23], SuperCluster [3DV'24 Oral] y EZ-SP [ICRA'26]
UNetFormer: un transformer similar a UNet para la segmentación semántica eficiente de imágenes de escenas urbanas de teledetección, ISPRS. Además, se incluyen otros transformadores de visión y CNN para la segmentación de imágenes satelitales, aéreas y de drones.
Modelos ligeros para segmentación semántica en tiempo real en PyTorch (incluyen SQNet, LinkNet, SegNet, UNet, ENet, ERFNet, EDANet, ESPNet, ESPNetv2, LEDNet, ESNet, FSSNet, CGNet, DABNet, Fast-SCNN, ContextNet, FPENet, etc.)
Nodos de inferencia de aprendizaje profundo para ROS / ROS2 con soporte para NVIDIA Jetson y TensorRT
Ampliación de sus kernels a 31x31: Revisión del diseño de kernels grandes en CNN (CVPR 2022)
Implementación oficial de PyTorch de ODISE: Segmentación Panóptica de Vocabulario Abierto con Modelos de Difusión de Texto a Imagen [CVPR 2023 Highlight]
[ICLR 2024] Implementación oficial de PyTorch de FasterViT: Vision Transformers rápidos con atención jerárquica
Una lista curada de publicaciones sobre segmentación semántica de vocabulario abierto y áreas relacionadas (por ejemplo, segmentación semántica de cero disparos) recursos..
API de SemanticKITTI para visualizar el conjunto de datos, procesar datos y evaluar resultados.
SSSegmentation: Una caja de herramientas de código abierto para segmentación semántica supervisada basada en PyTorch.
Implementaciones simples de PyTorch de U-Net/FullyConvNet (FCN) para segmentación de imágenes
:books: Una colección de artículos sobre Referring Image Segmentation.
[CVPR'25 Highlight] Repositorio oficial de Sonata: Aprendizaje autosupervisado de representaciones de puntos fiables
Biblioteca de percepción jerárquica en Python para estimación de poses, detección de objetos, segmentación de instancias, estimación de puntos clave, reconocimiento facial, etc.
(IJCV2024 & ICCV2023) LSKNet: Una columna vertebral ligera fundamental para la teledetección
ViPlanner: Aprendizaje imperativo semántico visual para navegación local
YOLOPv2: Mejor, Más Rápido, Más Fuerte para la Percepción Panóptica de la Conducción
Dataset de matting de retratos, contiene 34.427 imágenes y las imágenes de resultados de matting correspondientes.
[CVPR 2024 Highlight] Feature 3DGS: Potenciando el splatting gaussiano 3D para habilitar campos de características destilados
Este repositorio proporciona una lista completa de conjuntos de datos de satélites de radar y ópticos seleccionados para tareas de detección, clasificación, segmentación semántica y segmentación de instancias de barcos. Estos conjuntos de datos son ideales para aplicaciones en visión por computadora, aprendizaje automático, teledetección y análisis marítimo.
[NeurIPS 2021] LoveDA: Un conjunto de datos de cobertura terrestre de teledetección para segmentación semántica adaptativa de dominio