Project Icon

Ego4d

大规模多模态视频数据集与基准测试的最新发展

Ego-Exo4D和Ego4D是全球最大的第一人称和多视角视频机器学习数据集,含有时间同步的视频和丰富的注释。Ego4D数据集包括超过3700小时的注释视频,Ego-Exo4D的V2版本新增了1286.30小时的视频内容,提供数据下载、特征提取和研究的CLI工具和API。详细信息请查阅官方网站和文档。

open_x_embodiment - 统一格式机器人数据集和RT-X模型
GithubOpen X-EmbodimentRT-X模型开源项目数据集机器人学习深度学习
Open X-Embodiment项目整合多个开源机器人数据集,采用统一RLDS格式。它提供RT-1-X模型检查点,支持RGB图像输入和7维机械臂动作输出。项目包含数据集可视化和模型推理Colab示例,以及详细使用指南。这一开放资源促进机器人学习研究,简化数据处理和模型应用流程。
Motion-X - 丰富表现力的3D全身人体动作数据集
GithubMotion-XSMPL-X人体动作数据集多模态开源项目表情动作
Motion-X是一个大规模的3D全身人体动作数据集,包含15.6M个全身姿势和81.1K个动作片段的SMPL-X参数注释。数据集提供动作标签、文本标签及RGB视频、音频等多模态信息。Motion-X支持文本驱动的3D人体动作生成、全身网格恢复等多种任务。通过整合现有数据集并添加在线视频数据,Motion-X为人体动作研究提供了丰富的资源。
sharegpt4video-8b - 基于视频指令数据训练的开源视频对话模型
GithubHuggingfaceShareGPT4Video开源项目机器学习模型视频指令数据视频聊天机器人视频语言模型
sharegpt4video-8b是一个开源视频对话模型,基于153K多样化视频指令数据和28K高质量视频字幕数据进行全模型微调。该模型能处理视频问答、描述和分析等任务,旨在推进视频-语言模型研究。它主要面向计算机视觉、自然语言处理和人工智能领域的研究人员,用于探索大规模视频-语言模型和视频聊天机器人的潜力。
Forge_VFM4AD - DriveGAN实现高质量可控神经网络环境模拟
Github人工智能基础模型开源项目深度学习自动驾驶计算机视觉
DriveGAN是一种高质量神经网络模拟器,通过无监督学习实现环境组成部分的解耦控制。它可模拟转向控制、场景天气和非玩家对象位置等特征。DriveGAN的全微分特性支持视频序列重新模拟,允许在已记录场景中采取不同行动。该方法在多个数据集上训练,包括160小时真实驾驶数据,性能显著优于现有技术。
xtreme1 - 开源多模态训练数据平台,专注于数据标注、管理和本体管理,支持计算机视觉和大模型项目
AI驱动工具GithubXtreme1多模式训练数据开源项目数据标注计算机视觉
Xtreme1是一款开源多模态训练数据平台,专注于数据标注、管理和本体管理,支持计算机视觉和大模型项目。凭借AI驱动工具,高效进行2D/3D物体检测、分割及LiDAR-摄像头融合,提升效率。平台具有强大的数据管理和质量监控功能,并提供模型结果可视化,辅助模型评估。Xtreme1云端版本长期免费,安装方便,兼容多种操作系统和硬件。
Far3D - 突破远距离3D目标检测的新框架,提升环视感知能力
3D目标检测Far3DGithub开源项目深度学习自动驾驶计算机视觉
这是一个创新的稀疏查询框架,专注于解决远距离3D目标检测问题。该项目通过2D目标先验生成自适应3D查询,并利用透视感知聚合模块处理多视角和多尺度特征。还开发了范围调制的3D去噪技术,有效解决了查询错误传播和收敛问题。在Argoverse 2和nuScenes数据集上,展现出优异的性能,推动了环视3D目标检测技术的发展。
deepdataspace - 开源计算机视觉数据集工具 提供可视化 标注和分析功能
DeepDataSpaceGithub开源数据集工具开源项目数据可视化数据标注模型分析
DeepDataSpace是一个开源计算机视觉数据集工具,提供交互式数据可视化、探索和智能标注功能。支持多平台和协作工作流,易于安装使用。通过直观界面帮助用户高效管理和分析大规模图像数据集,适用于CV项目开发和研究。
ShareGPT4Video - 通过字幕提高视频理解和生成
AI模型GithubShareGPT4Video开源项目视频字幕视频理解视频生成
ShareGPT4Video项目通过应用高精度字幕显著提升视频理解与生成的效果。该项目提供功能强大的文本至视频模型,支持多种视频时长和分辨率,并设有两种优化效率与质量的推断模式。该项目的目标是通过高质量视频字幕数据集改善文本到视频的转换效果,从而提升大型视频语言模型的理解能力。
4DMOS - 3D LiDAR数据中的稀疏4D卷积移动物体分割
4DMOSGithubLiDAR开源项目移动物体分割稀疏4D卷积语义KITTI
4DMOS是一个基于稀疏4D卷积的3D LiDAR数据移动物体分割项目。该方法通过MinkowskiEngine处理点云序列,提取时空特征实现移动目标识别。项目开源了预训练模型、Docker环境和使用说明,支持在SemanticKITTI数据集上应用。研究成果发表于IEEE RA-L,为自动驾驶和机器人导航提供了新的技术方案。
Awesome-Multimodal-LLM-Autonomous-Driving - 多模态大语言模型推动自动驾驶技术创新
GithubWACV人工智能多模态大语言模型开源项目自动驾驶计算机视觉
该资源库汇集自动驾驶领域多模态大语言模型(MLLM)相关研究,全面介绍MLLM在感知、规划和控制方面的应用。内容涵盖最新模型、数据集和基准,并总结WACV 2024 LLVM-AD研讨会成果。项目探讨了MLLM应用于自动驾驶系统的挑战和机遇,为研究人员和工程师提供了解该前沿领域发展的宝贵参考。
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。

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