#scene-understanding Repository
Scopri 13 repository GitHub open source attivi contrassegnati con #scene-understanding, che raccolgono un totale di 20,151 stelle (con una media di 1,550 stelle per progetto). Il progetto leader di questo argomento è manycore-research/SpatialLM, con 5,165 stelle.
13 repository in totale
[NeurIPS 2025] SpatialLM: Training Large Language Models for Structured Indoor Modeling
pySLAM è una pipeline SLAM Visivo ibrida Python/C++ che supporta telecamere monoculari, stereo e RGB-D. Fornisce un vasto insieme di moderni estrattori di caratteristiche locali e globali, molteplici strategie di chiusura del loop, un modulo di ricostruzione volumetrica, modelli integrati di previsione della profondità e capacità di segmentazione semantica per una migliore comprensione della scena.
Questo è un elenco curato di ricerche su "AI incarnata o robot con modelli linguistici di grandi dimensioni". Tieni d'occhio questo repository per gli ultimi aggiornamenti! 🔥
Un framework 3D Gaussian Splatting con vari algoritmi derivati e un visualizzatore web interattivo
Modelli leggeri per la segmentazione semantica in tempo reale su PyTorch (inclusi SQNet, LinkNet, SegNet, UNet, ENet, ERFNet, EDANet, ESPNet, ESPNetv2, LEDNet, ESNet, FSSNet, CGNet, DABNet, Fast-SCNN, ContextNet, FPENet, ecc.)
Implementazione ufficiale PyTorch di FB-BEV & FB-OCC - Trasformazione della vista avanti-indietro per la percezione della guida autonoma incentrata sulla visione
[ECCV'20] Structured3D: Un grande dataset fotorealistico per la modellazione 3D strutturata
Implementazione open source di **MV-DUSt3R+ Ricostruzione di scene monofase da viste sparse in 2 secondi** da Meta Reality Labs. Pagina del progetto https://mv-dust3rp.github.io/
Domande frequenti
Qual è il repository #scene-understanding più popolare su GitHub?
Il progetto open source #scene-understanding più alto in classifica su GitHub è manycore-research/SpatialLM, con 5,165 stelle. [NeurIPS 2025] SpatialLM: Training Large Language Models for Structured Indoor Modeling
Quali linguaggi di programmazione sono più utilizzati nei repository #scene-understanding?
Tra i progetti #scene-understanding più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, JavaScript, C#.
Come viene calcolata la classifica dei repository #scene-understanding?
Monitoriamo 13 repository open source attivi contrassegnati con #scene-understanding (500+ stelle), per un totale di 20,151 stelle e una media di 1,550 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.