Logo
Project Icon

deformable-detr-DocLayNet

Deformable DETR模型实现文档布局分析 基于DocLayNet数据集

图像处理对象检测Huggingface模型DocLayNetGithub开源项目Deformable DETR文档布局分析

这是一个基于Deformable DETR架构的文档布局分析模型，在DocLayNet数据集上训练。该模型可检测和分类11种文档布局元素，在DocLayNet测试集上实现57.1 mAP。它采用transformer编码器-解码器结构，结合CNN主干网络，使用双向匹配损失训练。此模型可用于文档布局分析任务，也可集成到Aryn分区服务等应用中。

访问官网访问官网GithubGithubHuggingfaceHuggingface文档文档论文论文
介绍相关项目
efficientdet - EfficientDet目标检测模型的PyTorch实现
COCO数据集EfficientDetGithub开源项目深度学习目标检测计算机视觉
本项目提供了EfficientDet目标检测模型的PyTorch实现。支持COCO数据集的训练、评估和测试，在COCO val2017上达到0.314 mAP。包含预训练权重、视频测试功能和使用说明。适合研究人员和开发者参考使用。
resnet-152-text-detector - 基于ResNet-152的高效图像文本检测深度学习模型
GithubHuggingfaceResNet-152图像分类开源项目文本检测模型深度学习计算机视觉
ResNet-152 Text Detector是一个基于ResNet-152架构的深度学习模型，用于快速判断图像是否包含可读文本。该模型在COCO-Text和LLaVAR数据集上训练，使用约14万张图像，其中50%含文本，50%不含文本。模型采用300x300输入分辨率，使用AdamW优化器，学习率为5e-5，训练3个epochs。通过简单的Python代码，开发者可以轻松集成此模型，实现二元分类的图像文本检测功能。
doctran - 基于LLM的智能文档转换和处理框架
DoctranGithubLLMOpenAI开源项目文档转换自然语言处理
Doctran是一个基于大型语言模型的文档转换框架，通过自然语言指令处理复杂字符串。该框架提供模块化和声明式的方法，充分利用OpenAI的功能调用特性。Doctran支持提取、编辑、总结、精炼、翻译和问答生成等多种操作，简化了非结构化文本的处理过程。这个开源项目主要应用于需要高级判断的文档解析场景，例如交易标记和语义信息提取。
CoDet - 共现引导的开放词汇目标检测方法
CoDetGithub图像文本对齐开放词汇开源项目深度学习目标检测
CoDet是一种开放词汇目标检测方法，采用共现引导来对齐区域和词语。该方法利用大规模图像-文本对训练，在LVIS和COCO数据集上表现优异。CoDet兼容现代视觉基础模型，并可与Roboflow集成实现自动图像标注。这一方法为开放词汇目标检测领域提供了新的解决方案。
d2-net - 深度学习驱动的联合特征检测与描述
CNND2-NetGithub开源项目深度学习特征提取计算机视觉
D2-Net是一个用于联合检测和描述局部图像特征的卷积神经网络模型。该项目提供模型实现、预训练权重、特征提取脚本和MegaDepth数据集训练流程。D2-Net在图像匹配和3D重建等计算机视觉任务中表现优异，提高了特征提取的准确性和效率。项目支持多尺度特征提取，并包含在不同数据集上训练的模型权重。
donut-base-finetuned-cord-v2 - 基于CORD数据集的直接文档理解转换模型
DonutGithubHuggingface图像转文字开源项目文档解析文档识别机器视觉模型
该模型采用Swin Transformer编码器和BART解码器架构，通过CORD数据集优化，实现了直接的图像到文本转换功能。模型跳过了传统OCR步骤，直接将文档图像编码为张量表示，再解码生成文本内容，简化了文档理解流程。
RT-DETR - 超越YOLO的实时目标检测算法领域突破
CVPR 2024GithubRT-DETR实时目标检测开源项目深度学习物体识别
RT-DETR是一个开源的实时目标检测算法项目，在性能上超越了YOLO系列。它提供多种模型变体，从轻量级R18到大型X模型，适应不同应用需求。在COCO和Objects365数据集上，RT-DETR展现出卓越性能，最高达到56.2mAP和217FPS。项目同时支持PyTorch和PaddlePaddle框架，便于研究和应用。
DUSt3R_ViTLarge_BaseDecoder_512_dpt - ViT架构的多分辨率3D几何视觉模型用于深度估计
DUSt3RGithubHuggingface三维视觉图像处理开源项目模型深度学习计算机视觉
该模型使用ViT-Large编码器和ViT-Base解码器构建，采用DPT结构设计。支持处理512x384至512x160等多种分辨率图像，为3D几何视觉提供简化实现方案。开发者可通过PyTorch快速部署使用，模型由NAVER开源并遵循CC BY-NC-SA 4.0许可协议。
DocDiff - 基于残差扩散模型的轻量级文档图像增强工具
DocDiffGithub图像处理开源项目扩散模型文档增强深度学习
DocDiff是一个基于残差扩散模型的轻量级文档增强工具，用于文档去模糊、去噪、二值化和去水印等任务。该模型在128*128分辨率上训练仅需12GB显存。除文档处理外，DocDiff还适用于自然场景图像处理和语义分割。项目提供完整代码和预训练模型，便于快速实现和应用。
DN-DETR - 创新查询去噪技术加速目标检测训练
DETRGithub开源项目注意力机制深度学习目标检测计算机视觉
DN-DETR通过创新的查询去噪技术加速DETR目标检测模型训练。该方法仅需50%训练周期即可达到基线模型性能,大幅提高训练效率。项目开源了DN-DETR、DN-Deformable-DETR等多个模型实现,并提供详细的模型库、使用指南和安装说明,便于研究者复现结果或将去噪训练应用于其他模型。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号