semantic-segmentation

[CVPR 2023] OneFormer : Un Transformer pour gouverner la segmentation d'image universelle

Entraînement tout-en-un pour les modèles de vision (YOLO, ViTs, RT-DETR, DINOv3) : pré-entraînement, réglage fin et distillation.

Implémentation PyTorch d'EfficientDet fidèle à l'implémentation originale de Google avec poids portés.

Un framework sans code basé sur PyTorch pour des études d'apprentissage profond reproductibles. Écosystème PyTorch. 🏆 26 méthodes de distillation de connaissances présentées à TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, etc. sont implémentées jusqu'à présent. 🎁 Modèles entraînés, journaux d'entraînement et configurations disponibles pour assurer la reproductibilité et l'étalonnage.

[ICLR 2023 Spotlight] Vision Transformer Adapter pour les prédictions denses.

Le Medical Detection Toolkit contient des implémentations 2D et 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 le traitement d'images médicales.

Un extracteur de représentation d'analyse humaine prêt à l'emploi.

Framework de compression de réseaux de neurones pour une inférence OpenVINO™ optimisée.

UNetFormer : un transformer de type UNet pour la segmentation sémantique efficace d'imagerie urbaine par télédétection (ISPRS). Inclut également d'autres vision transformers et CNN pour la segmentation d'images satellites, aériennes et de drones.

Implémentation PyTorch officielle de Superpoint Transformer [ICCV'23], SuperCluster [3DV'24 Oral] et EZ-SP [ICRA'26].

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.).

Implémentation officielle PyTorch d'ODISE : segmentation panoptique à vocabulaire ouvert avec des modèles de diffusion texte-image [CVPR 2023 Highlight].

Modèles de segmentation sémantique SOTA en PyTorch

[ICLR 2024] Implémentation PyTorch officielle de FasterViT : Vision Transformers rapides avec attention hiérarchique

[ICLR2022] Implémentation officielle de UniFormer.

API SemanticKITTI pour la visualisation de jeux de données, le traitement de données et l'évaluation des résultats.

Implémentations PyTorch simples de U-Net/FullyConvNet (FCN) pour la segmentation d'images.

SSSegmentation : une boîte à outils open source de segmentation sémantique supervisée basée sur PyTorch.

Dépôt officiel de nos travaux récents : PIDNet.

Une collection d'articles sur la segmentation d'images par référence (Referring Image Segmentation).

Segmentation sémantique pour la télédétection

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.

Ce dépôt fournit une liste complète de jeux de données de satellites radar et optiques sélectionnés pour la détection, la classification, la segmentation sémantique et la segmentation d'instances de navires. Ces jeux de données sont idéaux pour les applications en vision par ordinateur, machine learning, télédétection et analyse maritime.

[CVPR22] Implémentation officielle de DAFormer : amélioration des architectures de réseaux et des stratégies d'entraînement pour la segmentation sémantique avec adaptation de domaine

[NeurIPS 2021] LoveDA : un jeu de données de couverture terrestre par télédétection pour la segmentation sémantique adaptée au domaine.

Articles ICASSP 2023-2024 : Une collection complète de recherches influentes issues des conférences ICASSP 2023-24. Explorez les dernières avancées en acoustique, parole et traitement du signal. Code inclus.

Bibliothèque libre et open source pour la détection d'objets par IA et la segmentation sémantique dans les rasters géospatiaux. 🚀

Application iOS et package Swift Ultralytics YOLO pour l'inférence Core ML en temps réel sur les principales tâches de vision par ordinateur.