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。

videollm-online - 流式视频实时理解与交互的先进模型
GithubVideoLLM-online大语言模型实时交互开源项目流媒体视频视频处理
VideoLLM-online是一款针对流媒体视频的在线大语言模型。该模型支持视频流实时交互,可主动更新响应,如记录活动变化和提供实时指导。项目通过创新的数据合成方法将离线注释转化为流式对话数据,并采用并行化推理技术实现高速处理,在A100 GPU上处理速度可达10-15 FPS。VideoLLM-online在在线和离线环境中均表现出色,能高效处理长达10分钟的视频,为视频理解与交互领域带来新的可能性。
LLaMA-VID - 支持长视频处理的多模态大语言模型
GithubLLaMA-VID多模态大语言模型开源项目视觉语言模型视频理解
LLaMA-VID是一个新型多模态大语言模型,可处理长达数小时的视频。它通过增加上下文令牌扩展了现有框架的能力,采用编码器-解码器结构和定制令牌生成策略,实现对图像和视频的高效理解。该项目开源了完整的模型、数据集和代码,为视觉语言模型研究提供了有力工具。
XPretrain - 涵盖视频语言和图像语言模型的多模态学习与预训练研究
GithubXPretrain图像与语言多模态学习开源项目视频与语言预训练
Microsoft Research MSM组在多模态学习和预训练方法上的最新研究成果,包含用于视频语言的HD-VILA-100M数据集,以及HD-VILA、LF-VILA、CLIP-ViP等预训练模型,和用于图像语言的Pixel-BERT、SOHO、VisualParsing模型。这些研究发表在CVPR、NeurIPS和ICLR等顶级会议,代码和数据集已公开,社区成员可以贡献和提出建议。
ALLaVA - GPT4V合成数据集助力轻量级视觉语言模型训练
ALLaVAGPT-4VGithub开源项目微调数据集视觉语言模型
ALLaVA项目推出大规模GPT4V合成数据集,旨在促进轻量级视觉语言模型的训练。项目发布了ALLaVA-Phi3-mini-128k、ALLaVA-StableLM2-1_6B和ALLaVA-Phi2-2_7B等多个模型版本,可直接从Hugging Face仓库加载。ALLaVA-4V数据集整合了LAION和Vision FLAN的图像标注与指令数据,以及GPT-4-Turbo生成的文本指令,总样本量超过140万。这一资源为视觉语言模型研究提供了丰富的训练数据和预训练模型,有望推动该领域的进一步发展。
arctic - 大规模双手物体交互数据助力视觉研究
3D重建ARCTICGithub开源项目手部动作数据集物体操作
ARCTIC是一个包含210万高分辨率图像的大规模数据集,专注于双手与物体的精细交互。数据集提供多视角图像及3D人体、手部和物体标注,采用54个Vicon相机捕获高度灵巧的双手操作。ARCTIC可用于手-物体重建、抓取生成、全身动作生成等多项视觉任务研究,为相关领域提供了丰富资源。
video_features - 多模态视频特征提取框架 支持多种深度学习模型
GitHub项目Github多模态分析开源项目深度学习模型视频特征提取计算机视觉
video_features是一个开源的视频特征提取框架,支持视觉、音频和光流等多种模态。该框架集成了S3D、R(2+1)d、I3D-Net等动作识别模型,VGGish声音识别模型,以及RAFT光流提取模型。它支持多GPU和多节点并行处理,可通过命令行或Colab快速使用。输出格式灵活,适用于视频分析相关的研究和应用。
ARKitScenes - 革新3D室内场景理解的大规模数据集
3D室内场景理解ARKitScenesGithubRGB-D数据集家具标注开源项目深度传感器
ARKitScenes是一个创新的3D室内场景理解数据集,利用移动RGB-D技术捕获数据。作为首个采用广泛可用深度传感器的RGB-D数据集,它涵盖了1,661个独特场景的5,047次捕获。数据集提供原始和处理后的数据、高分辨率深度图及手动标注的3D定向边界框。此外,项目还包含3D物体检测和RGB-D引导上采样的辅助脚本,为推进室内场景理解技术和应对真实世界挑战提供了宝贵资源。
MAD - 大规模电影音频数据集用于视频语言定位研究
CVPRGithubMAD数据集开源项目电影音频描述视频语言定位计算机视觉
MAD是一个用于视频语言定位研究的大规模数据集,源自电影音频描述。它包含384K个句子,涵盖650部电影的1.2K小时视频内容。数据集横跨22个电影类型和90年电影史,提供多样化的动作、场景和语言素材。MAD的独特之处在于其长形式定位设置,具有庞大的语言词汇量,对准确性和效率提出了挑战。这一资源为研究人员开拓了视频语言理解的新领域。
MiVOS - 交互式视频对象分割方法与差异感知融合
DAVISGithubMiVOSPyTorch交互式分割开源项目视频对象分割
该项目介绍了一种模块化的交互视频对象分割方法,通过交互生成对象掩码并采用差异感知的融合模块进行处理。该方法在DAVIS和YouTube等基准测试中表现出色,并支持用户交互的GUI工具,简化了视频对象标注过程。项目还集成了多个预训练模型,并提供了快速下载和数据生成脚本,为研究人员和开发者提供了便捷高效的解决方案。
M3D - 推动3D医学图像分析的多模态大语言模型
3D医学图像分析AI医疗GithubM3D医学数据集多模态大语言模型开源项目
M3D是首个针对3D医学分析的多模态大语言模型系列。项目包含最大规模开源3D医学数据集M3D-Data、多任务能力模型M3D-LaMed和全面评估基准M3D-Bench。M3D在图像-文本检索、报告生成、视觉问答、定位和分割等任务中表现优异,为3D医学图像分析领域提供了新的研究方向。
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