UniTR

多模态变换器网络推动3D感知进展

UniTR是一种新型统一多模态变换器网络,用于3D感知任务。它通过共享权重处理相机和激光雷达等多传感器数据,实现高效多模态融合。在nuScenes数据集上,UniTR在3D目标检测和BEV地图分割任务中均达到最新水平,且降低推理延迟。该研究为提升自动驾驶系统的感知能力提供了新思路。

访问官网

Github

论文

介绍相关项目

DSVT - 易于部署的大规模点云3D对象检测系统

3D对象检测CVPR 2023DSVTGithubWaymo动态稀疏体素转化器开源项目

DSVT是一款高效且易于部署的大规模点云3D对象检测系统，适用于Waymo和NuScenes等数据集。通过动态稀疏体素变换器和旋转集合分区策略，DSVT实现了27Hz的实时推理速度，提供了在单帧和多帧检测中的卓越表现，适用于自动驾驶等场景。

multispectral-object-detection - 多光谱图像融合的高效目标检测方法

GithubTransformerYOLOv5多光谱目标检测开源项目计算机视觉跨模态融合

该项目提出了Cross-Modality Fusion Transformer (CFT)多光谱目标检测方法,利用Transformer架构融合RGB和热红外图像信息。CFT在FLIR、LLVIP等数据集上取得了优秀的检测结果,尤其在夜间场景表现突出。这为多光谱目标检测提供了一种新的解决方案。

C-Tran - Transformer在多标签图像分类中的应用

GithubTransformers图像分类多标签分类开源项目深度学习计算机视觉

C-Tran是一个探索Transformer在多标签图像分类中应用的开源项目。该项目提出了一种通用多标签图像分类方法，在COCO80和VOC20等数据集上展现出优秀性能。项目包含完整的训练和运行指南，涵盖数据处理和模型训练等关键步骤。C-Tran为计算机视觉领域提供了新的研究方向，对推进多标签图像分类技术具有重要意义。

EmbodiedScan - 全面多模态3D感知套件，提高具身AI的理解能力

3D感知EmbodiedScanGithubMMScan多模态开源项目深度学习

EmbodiedScan及其系列如MMScan是专为多模态3D感知设计的开放数据集与基准，用于深入理解第一人称3D场景。包含超过5000次扫描、100万RGB-D视图、语言提示和160k 3D定向框。基于此数据库的Embodied Perceptron展示了在3D感知和语言定位中的优秀表现，适用于计算机视觉和机器人领域。通过我们的演示和基准测试，了解详细信息和应用案例。

UniSeg - 多模态3D医学图像通用分割模型

GithubMICCAI 2023UniSeg分割模型医学图像多器官分割开源项目

UniSeg是一个基于提示驱动的通用分割模型，可对多模态、多领域的3D医学图像进行多器官、肿瘤和椎骨分割。作为强大的分割模型和特征学习器，UniSeg提供完整代码实现、预训练模型及详细使用说明。项目涵盖数据准备、预处理、训练和测试等步骤。在MICCAI SegRap 2023比赛中，UniSeg在两项任务中均获得第二名，展现了其在医学图像分割领域的出色表现。

SparseBEV - 多摄像头视频中的高性能稀疏3D目标检测技术

GithubICCV 2023PyTorchSparseBEVnuScenes开源项目立体检测

SparseBEV利用多摄像头视频实现高性能稀疏3D目标检测，得到ICCV 2023的认可，并提供PyTorch实现、训练和评估指南。新发布的SparseOcc展示了全稀疏架构支持多种预训练权重和配置文件。用户可使用提供的代码进行可视化和模型优化，实现高效3D检测。兼容不同版本的PyTorch和CUDA，表现卓越。

VoxFormer - 基于稀疏体素变换器的相机驱动3D语义场景补全方法

3D语义场景补全CVPRGithubVoxFormer开源项目计算机视觉语义分割

VoxFormer是一种基于Transformer的创新框架，仅通过2D图像即可生成完整的3D语义体素。它采用两阶段设计：先从深度估计生成可见占据体素查询，再通过密集化阶段生成完整3D体素。在SemanticKITTI数据集上，VoxFormer在几何和语义方面分别提升了20.0%和18.1%，同时将训练所需GPU内存减少约45%。这为相机驱动的3D语义场景补全任务提供了一个强有力的基线。

PersFormer_3DLane - PersFormer基于透视变换实现精确的3D车道线检测

3D车道线检测GithubOpenLane基准PersFormerPyTorch实现开源项目透视变换

PersFormer是一种创新的3D车道线检测模型，采用基于Transformer的模块生成BEV特征并参考相机参数。模型能同时进行2D和3D车道检测，提升特征一致性与多任务学习效果。PersFormer在OpenLane和Apollo 3D Lane Synthetic数据集上的表现优异，超越了多种现有方法，并提供简便的安装与评估说明以及详细的训练和测试指南，成为3D车道检测领域的重要进展。

3D-VisTA - 简化3D视觉和文本对齐的新型预训练模型

3D-VisTAGithub多模态融合开源项目自然语言处理计算机视觉预训练模型

3D-VisTA是一种新型预训练变换器模型,专注于3D视觉和文本对齐。该模型采用简洁统一的架构,无需复杂的任务特定设计,可轻松适应多种下游任务。通过在大规模ScanScribe数据集上预训练,3D-VisTA在视觉定位、密集字幕生成等3D视觉语言理解任务中达到了领先水平。此外,该模型还表现出优异的数据效率,即使在标注数据有限的情况下也能保持强劲性能。

unilm - Unilm项目实现跨任务、语言和模态的大规模自监督预训练

Foundation ModelsGithubLarge-scaleMulti-modalTorchScale开源项目预训练

Unilm项目跨越100多种语言及包括语言、视觉、语音及其交互的多种模态，专注于基础模型和普适AI的研究。该项目已开发多种新型架构如DeepNet、Magneto，并通过稳定高效的训练方法增强模型的通用性和能力。此外，项目已发布关键技术如E5、BEiT-3，涵盖自然语言处理、机器翻译、文档AI及多模态AI等领域，为AI技术的前沿发展和实际应用做出了显著进展。

相关项目

推荐项目

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。

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。

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

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。

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。

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

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。

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