3d-object-detection

Nền tảng thế hệ tiếp theo của OpenMMLab dành cho phát hiện đối tượng 3D tổng quát.

Một phần mở rộng của Open3D để giải quyết các tác vụ Machine Learning 3D

Medical Detection Toolkit chứa các triển khai 2D + 3D của các trình phát hiện đối tượng phổ biến như Mask R-CNN, Retina Net, Retina U-Net, cùng với một framework huấn luyện và suy luận tập trung vào việc xử lý hình ảnh y tế.

Triển khai PyTorch dựa trên YOLOv4 của bài báo: "Complex-YOLO: Phát hiện đối tượng 3D thời gian thực trên đám mây điểm".

Ghi chú đọc tài liệu về Deep Learning và Machine Learning

[Bài báo xuất sắc nhất sinh viên CVPR 2022] EPro-PnP: Ước lượng tư thế đối tượng đơn mắt bằng phương pháp xác suất Perspective-n-Points tổng quát hóa từ đầu đến cuối

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

alfred-py: Một thư viện tiện ích deep learning dành cho con người, chi tiết thêm về cách sử dụng thư viện tại: https://zhuanlan.zhihu.com/p/341446046

Mã nguồn cho chuỗi công trình về nhận thức LiDAR, bao gồm SST (CVPR 22), FSD (NeurIPS 22), FSD++ (TPAMI 23), FSDv2 và CTRL (ICCV 23, oral).

Công cụ chú thích hộp giới hạn 3D (3D-BAT) cho điểm mây và gán nhãn hình ảnh

Công cụ gọn nhẹ để gắn nhãn hộp bao quanh 3D trong đám mây điểm.

Triển khai PyTorch chính thức của FB-BEV & FB-OCC - Chuyển đổi góc nhìn tiến-lùi cho nhận thức lái xe tự động lấy tầm nhìn làm trung tâm

[ICCV 2023] OccNet: Scene as Occupancy

nnDetection là một framework tự cấu hình cho việc phát hiện đối tượng y tế 3D (thể tích), có thể áp dụng cho các tập dữ liệu mới mà không cần can thiệp thủ công. Nó bao gồm hướng dẫn cho 12 tập dữ liệu được sử dụng để phát triển và đánh giá hiệu suất của phương pháp đề xuất.

[CVPR2024] OneFormer3D: Một Transformer duy nhất cho phân đoạn đám mây điểm hợp nhất