#optical-flow Dépôts
Découvrez 22 dépôts GitHub open source actifs associés à #optical-flow, cumulant 33,254 étoiles au total (soit une moyenne de 1,511 étoiles par projet). Le projet en tête de ce thème est facebookresearch/co-tracker, avec 5,208 étoiles.
22 dépôts au total
CoTracker est un modèle pour suivre n'importe quel point (pixel) sur une vidéo.
Ressources pour la Vision Basée sur les Événements. Effort communautaire pour collecter des connaissances sur la technologie de vision basée sur les événements (articles, ateliers, ensembles de données, code, vidéos, etc.)
Collection de papiers, ensembles de données, code et autres ressources pour le suivi et la détection d'objets utilisant l'apprentissage profond
Une solution tout-en-un pour ajouter la stabilité temporelle à un rendu Stable Diffusion via une extension automatic1111
un cadre ouvert pour la navigation des aveugles basé sur l'ESP32
D’un flux de console à 30 ips à 60–120 ips sur votre PC. · interpolation d’images · génération d’images · nvidia · windows · dlss · super-résolution · vulkan · dlss5 · mise à l’échelle · rife · rendu neuronal · ps5 · rtx · lecture à distance · pytorch · vidéo · chiaki · flux optique · interpolation d’images vidéo · amd · tensorrt · fsr · rtx-vsr · mise à l’échelle vidéo
[3DV 2025] Code pour "FlowMap : poses de caméra de haute qualité, intrinsèques et profondeur via la descente de gradient" par Cameron Smith*, David Charatan*, Ayush Tewari et Vincent Sitzmann
Ce dépôt contient un projet complet de vision par ordinateur/apprentissage automatique sur le football qui utilise YOLO pour la détection d'objets, Kmeans pour la segmentation des pixels, le flux optique pour le suivi du mouvement et la transformation de perspective pour analyser les mouvements des joueurs dans les vidéos de football.
Cadre basé sur ROS et image RPi pour contrôler les drones propulsés par PX4 🍀
Extrayez les caractéristiques vidéo à partir de vidéos brutes à l'aide de plusieurs GPU. Nous prenons en charge les images de flux RAFT ainsi que les modèles S3D, I3D, R(2+1)D, VGGish, CLIP et TIMM.
Ceci est une liste d'articles impressionnants sur le flux optique et les travaux connexes.
Modèles PyTorch Lightning d'optique des fluides, scripts et poids pré-entraînés.
Implémentation officielle de Pytorch pour « DINO-Tracker : Dompter DINO pour le suivi de points auto-supervisé dans une seule vidéo » (ECCV 2024)
Un module d'extension Blender pour générer des données de vérité terrain synthétiques pour les applications de vision par ordinateur
ICCV 2023 « Neural Video Depth Stabilizer » (NVDS) & TPAMI 2024 « NVDS+: Towards Efficient and Versatile Neural Stabilizer for Video Depth Estimation » (NVDS+)
Foire aux questions
Quel est le dépôt #optical-flow le plus populaire sur GitHub ?
Le projet #optical-flow open source le mieux classé sur GitHub est facebookresearch/co-tracker, avec 5,208 étoiles. CoTracker est un modèle pour suivre n'importe quel point (pixel) sur une vidéo.
Quels langages de programmation sont les plus utilisés dans les dépôts #optical-flow ?
Parmi les projets #optical-flow les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, HTML, C++.
Comment le classement des dépôts #optical-flow est-il calculé ?
Nous suivons 22 dépôts open source actifs associés à #optical-flow (500+ étoiles), totalisant 33,254 étoiles, avec une moyenne de 1,511 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.