#semantic-segmentation Dépôts
110 dépôts au total
Une implémentation PyTorch d'EfficientDet fidèle à l'implémentation originale de Google avec des poids portés
Un framework sans code basé sur PyTorch pour mener des études d’apprentissage profond reproductibles. Écosystème PyTorch. 🏆 À ce jour, 28 méthodes de distillation des connaissances présentées à TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, etc. ont été implémentées. 🎁 Des modèles entraînés, des journaux d’entraînement et des configurations sont disponibles pour garantir la reproductibilité et faciliter l’évaluation comparative.
Le Medical Detection Toolkit contient des implémentations 2D + 3D de détecteurs d'objets courants tels que Mask R-CNN, Retina Net, Retina U-Net, ainsi qu'un framework d'entraînement et d'inférence axé sur la gestion d'images médicales.
[CVPR 2023] Une alternative académique au réseau d'occupation de Tesla pour la conduite autonome.
Soulever, Éclabousser, Tirer : Encodage d'images à partir de rigs de caméra arbitraires en reprojetant implicitement en 3D (ECCV 2020)
Framework de compression de réseau neuronal pour une inférence OpenVINO™ améliorée
Le Replica Dataset v1 tel que publié dans https://arxiv.org/abs/1906.05797.
Un extracteur de représentations d'analyse humaine prêt à l'emploi.
[CVPR 2021 & IJCV 2024] Repenser la segmentation sémantique du point de vue d'une séquence à séquence avec des Transformers
Articles impressionnants sur la détection et la segmentation d'objets 3D Multi-Caméras en vue à la première personne, tels que DETR3D, BEVDet, BEVFormer, BEVDepth, UniAD
Implémentation officielle PyTorch de Superpoint Transformer [ICCV'23], SuperCluster [3DV'24 Oral] et EZ-SP [ICRA'26]
UNetFormer : un transformeur de type UNet pour la segmentation sémantique efficace d'images de scènes urbaines de télédétection, ISPRS. De plus, d'autres transformeurs de vision et CNN sont inclus pour la segmentation d'images satellites, aériennes et d'images d'UAV.
Modèles légers pour la segmentation sémantique en temps réel sur PyTorch (incluant SQNet, LinkNet, SegNet, UNet, ENet, ERFNet, EDANet, ESPNet, ESPNetv2, LEDNet, ESNet, FSSNet, CGNet, DABNet, Fast-SCNN, ContextNet, FPENet, etc.)
Nœuds d'inférence d'apprentissage profond pour ROS / ROS2 avec prise en charge de NVIDIA Jetson et TensorRT
Mise à l’échelle de vos noyaux à 31x31 : Révision de la conception de grands noyaux dans les CNN (CVPR 2022)
Implémentation PyTorch officielle d'ODISE : Segmentation Panoptique à Vocabulaire Ouvert avec Modèles de Diffusion Texte-vers-Image [CVPR 2023 Highlight]
[ICLR 2024] Implémentation PyTorch officielle de FasterViT : Vision Transformers rapides avec attention hiérarchique
Une liste organisée de publications sur la segmentation sémantique à vocabulaire ouvert et les domaines connexes (par exemple, la segmentation sémantique zero-shot) ressources..
API SemanticKITTI pour visualiser le jeu de données, traiter les données et évaluer les résultats.
SSSegmentation: Une boîte à outils open source pour la segmentation sémantique supervisée basée sur PyTorch.
Implémentations simples de PyTorch de U-Net/FullyConvNet (FCN) pour la segmentation d'images
:books: Une collection d'articles sur la Referring Image Segmentation.
[CVPR'25 Highlight] Dépôt officiel de Sonata : Apprentissage auto-supervisé de représentations de points fiables
Bibliothèque de perception hiérarchique en Python pour l'estimation de pose, la détection d'objets, la segmentation d'instances, l'estimation de points clés, la reconnaissance faciale, etc.
(IJCV2024 & ICCV2023) LSKNet : une colonne vertébrale légère fondamentale pour la télédétection
ViPlanner : Apprentissage impératif sémantique visuel pour la navigation locale
YOLOPv2 : Mieux, Plus Rapide, Plus Fort pour la Perception Panoptique de la Conduite
Ensemble de données de matting de portraits, contenant 34 427 images et les images de résultats de matting correspondantes.
[CVPR 2024 Highlight] Feature 3DGS : Supercharger le splatting gaussien 3D pour permettre des champs de caractéristiques distillés
Ce référentiel fournit une liste complète de jeux de données satellitaires radar et optiques sélectionnés pour des tâches de détection, de classification, de segmentation sémantique et de segmentation d'instance de navires. Ces jeux de données sont idéaux pour les applications en vision par ordinateur, apprentissage automatique, télédétection et analyse maritime.
[NeurIPS 2021] LoveDA : un ensemble de données de couverture terrestre de télédétection pour la segmentation sémantique adaptative au domaine