3d-object-detection

Die Plattform der nächsten Generation von OpenMMLab für allgemeine 3D-Objekterkennung.

Eine Erweiterung von Open3D für 3D-Machine-Learning-Aufgaben

Das Medical Detection Toolkit enthält 2D- und 3D-Implementierungen gängiger Objekterkenner wie Mask R-CNN, Retina Net, Retina U-Net sowie ein Trainings- und Inferenz-Framework für medizinische Bilder.

Die PyTorch-Implementierung basierend auf YOLOv4 des Papers: "Complex-YOLO: Real-time 3D Object Detection on Point Clouds"

Notizen zum Lesen von Fachliteratur über Deep Learning und Machine Learning

[CVPR 2022 Best Student Paper] EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monocular Object Pose Estimation

Ultralytics YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12 für ROS 2

alfred-py: Eine Deep-Learning-Hilfsbibliothek für **Menschen**, weitere Details zur Nutzung unter: https://zhuanlan.zhihu.com/p/341446046

Code für eine Reihe von Arbeiten zur LiDAR-Wahrnehmung, einschließlich SST (CVPR 22), FSD (NeurIPS 22), FSD++ (TPAMI 23), FSDv2 und CTRL (ICCV 23, Oral).

3D-Bounding-Box-Annotierungstool (3D-BAT) für Punktwolken- und Bildmarkierung.

Ein leichtgewichtigenes Tool zum Markieren von 3D-Bounding-Boxen in Punktwolken.

Offizielle PyTorch-Implementierung von FB-BEV & FB-OCC – Vorwärts-Rückwärts-Ansichtstransformation für die kamerabasierte autonome Fahrwahrnehmung

[ICCV 2023] OccNet: Scene as Occupancy

nnDetection ist ein selbstkonfigurierendes Framework für die medizinische 3D-Objekterkennung (volumetrisch), das ohne manuelle Eingriffe auf neue Datensätze angewendet werden kann. Es enthält Anleitungen für 12 Datensätze, die zur Entwicklung und Evaluierung der Leistung der vorgeschlagenen Methode verwendet wurden.

[CVPR2024] OneFormer3D: Ein Transformer für die vereinheitlichte Punktwolken-Segmentierung