#semantic-segmentation Repository
110 repository in totale
Un'implementazione PyTorch di EfficientDet fedele all'originale implementazione di Google con pesi portati
Un framework senza codice basato su PyTorch per studi di deep learning riproducibili. Ecosistema PyTorch. ๐ Finora sono stati implementati 28 metodi di distillazione della conoscenza presentati a TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, ecc. ๐ Sono disponibili modelli addestrati, registri di addestramento e configurazioni per garantire la riproducibilitร e consentire il benchmarking.
Il Medical Detection Toolkit contiene implementazioni 2D + 3D di rilevatori di oggetti prevalenti come Mask R-CNN, Retina Net, Retina U-Net, nonchรฉ un framework di addestramento e inferenza focalizzato sulla gestione di immagini mediche.
BatchNorm Attivato In-Place per l'Addestramento Ottimizzato per la Memoria di DNN
[CVPR 2023] Un'alternativa accademica alla rete di occupazione di Tesla per la guida autonoma.
Sollevare, Schizzare, Sparare: Codifica di immagini da rig di telecamere arbitrari tramite la riproiezione implicita in 3D (ECCV 2020)
Framework di compressione della rete neurale per un'inferenza OpenVINOโข avanzata
Il Replica Dataset v1 come pubblicato in https://arxiv.org/abs/1906.05797.
Un estrattore di rappresentazioni di parsing umano pronto all'uso.
[CVPR 2021 & IJCV 2024]Ripensare la segmentazione semantica da una prospettiva sequence-to-sequence con i Transformer
Articoli eccezionali sul rilevamento e la segmentazione di oggetti 3D Multi-Camera in vista a volo d'uccello, come DETR3D, BEVDet, BEVFormer, BEVDepth, UniAD
Implementazione ufficiale PyTorch di Superpoint Transformer [ICCV'23], SuperCluster [3DV'24 Oral] e EZ-SP [ICRA'26]
UNetFormer: Un transformer simile a UNet per l'efficiente segmentazione semantica di immagini di scene urbane da telerilevamento, ISPRS. Inoltre, sono inclusi altri vision transformer e CNN per la segmentazione di immagini satellitari, aeree e di droni.
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.)
Nodi di inferenza per deep learning per ROS / ROS2 con supporto per NVIDIA Jetson e TensorRT
Scalare i tuoi kernel a 31x31: Revisione della progettazione di kernel di grandi dimensioni nelle CNN (CVPR 2022)
Implementazione ufficiale di PyTorch di ODISE: Segmentazione Panottica Open-Vocabulary con Modelli di Diffusione Text-to-Image [CVPR 2023 Highlight]
[ICLR 2024] Implementazione ufficiale PyTorch di FasterViT: Fast Vision Transformer con attenzione gerarchica
Un elenco curato di pubblicazioni sulla segmentazione semantica a vocabolario aperto e aree correlate (ad es. segmentazione semantica zero-shot) risorse..
API SemanticKITTI per la visualizzazione del dataset, l'elaborazione dei dati e la valutazione dei risultati.
SSSegmentation: Una toolbox open source per la segmentazione semantica supervisionata basata su PyTorch.
Implementazioni semplici in PyTorch di U-Net/FullyConvNet (FCN) per la segmentazione di immagini
:books: Una collezione di articoli su Referring Image Segmentation.
[CVPR'25 Highlight] Repository ufficiale di Sonata: Apprendimento auto-supervisionato di rappresentazioni di punti affidabili
Libreria di percezione gerarchica in Python per stima della posa, rilevamento oggetti, segmentazione istanze, stima keypoints, riconoscimento facciale, ecc.
(IJCV2024 & ICCV2023) LSKNet: Una colonna vertebrale leggera fondamentale per il telerilevamento
ViPlanner: Apprendimento imperativo semantico visivo per la navigazione locale
YOLOPv2: Migliore, Piรน Veloce, Piรน Forte per la Percezione Panottica della Guida
Dataset di matting per ritratti, contiene 34.427 immagini e le immagini dei risultati di matting corrispondenti.
[CVPR 2024 Highlight] Feature 3DGS: Potenziare il 3D Gaussian Splatting per abilitare campi di feature distillati
Questo repository fornisce un elenco completo di set di dati satellitari radar e ottici curati per attivitร di rilevamento, classificazione, segmentazione semantica e segmentazione di istanze di navi. Questi set di dati sono ideali per applicazioni in computer vision, machine learning, telerilevamento e analisi marittima.
[NeurIPS 2021] LoveDA: Un set di dati di copertura del suolo per telerilevamento per la segmentazione semantica adattiva al dominio