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

unitable - 整合表格识别任务的统一框架

GithubTransformerUniTable开源项目自监督预训练表格结构表格识别

UniTable是一个创新的表格识别框架，统一了训练范式、目标和模型架构。它利用自监督预训练和语言建模，有效处理表格结构、单元格内容和边界框识别。该项目在四个大型数据集上展现最先进性能，并提供完整的推理流程Jupyter Notebook，支持多数据集微调和全面表格识别。

x-unet - 集成高效注意力机制的先进U-Net框架

GithubU-Net图像分割开源项目深度学习神经网络计算机视觉

x-unet是一个基于U-Net架构的开源项目，融合了高效注意力机制和最新研究成果。支持2D和3D图像处理，提供嵌套U-Net深度和上采样特征图合并等灵活配置。适用于生物医学图像分割和显著对象检测等任务，是一个功能强大的深度学习工具。

Vision-Centric-BEV-Perception - 视觉驱动的鸟瞰视角感知技术与应用综述

Depth based PV2BEVGEOMETRY BASED PV2BEVGithubNETWORK BASED PV2BEVTransformer based PV2BEVVision-Centric BEV Perception开源项目

本文全面探讨了视觉驱动的鸟瞰视角(BEV)感知技术的应用和最新进展。文章覆盖了多个数据集、几何转换以及网络架构，展示了在逆向透视投影、深度转换和网络基础的PV2BEV转换领域的研究成果。还总结了从MLP到Transformer等现代架构在3D检测和语义分割任务上的表现，并提供了详细的时间线和基准测试结果，帮助读者理解和利用这些技术在自动驾驶等相关领域。

mahalanobis_3d_multi_object_tracking - 在NuScenes Tracking Challenge中荣获冠军，提升了自主驾驶3D多目标追踪的准确率

AB3DMOTAutonomous DrivingGithubNuScenes Tracking ChallengeProbabilistic TrackingStanford University开源项目

该项目提出了一种在线3D多目标追踪方法，在NeurIPS 2019 AI Driving Olympics Workshop上荣获NuScenes Tracking Challenge冠军。与AB3DMOT方法相比，显著提高了较小目标如行人的追踪精度。项目提供了详尽的技术报告与源码，以及详细的运行步骤，便于他人复现结果。使用MEGVII的检测结果，该方法在多目标追踪准确率（AMOTA）上表现出色，特别是对行人和小型目标的追踪效果尤为明显。

Emu3-Gen - 统一模型驱动的AI系统实现图像文本与视频的生成与理解

AI生成Emu3GithubHuggingface图像处理多模态模型开源项目模型深度学习

Emu3采用单一变换器架构，将图像、文本和视频转化为统一序列空间进行处理。通过纯粹的下一标记预测训练方式，该系统在图像生成、视觉语言理解和视频生成等多个任务中展现出优异性能。与SDXL、LLaVA-1.6等专门模型相比，Emu3以更简洁的架构实现了更强的多模态处理能力。

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。

UniTS - 统一时间序列模型实现多领域任务处理

GithubUniTS多任务学习开源项目时间序列模型迁移学习零样本学习

UniTS是一种统一的时间序列模型，可处理多领域的分类、预测、插补和异常检测任务。该模型使用共享参数方法，无需任务特定模块，在38个多领域数据集上表现优异。UniTS具有零样本、少样本和提示学习能力，能适应新的数据领域和任务。其创新的统一网络主干融合了序列和变量注意力机制以及动态线性运算符，为时间序列分析提供了灵活的解决方案。

CrossFormer - 融合跨尺度注意力的高效视觉Transformer

CrossFormer++Github图像分类开源项目目标检测视觉Transformer跨尺度注意力

CrossFormer++是一种创新的视觉Transformer模型，通过跨尺度注意力机制解决了不同尺度对象特征间建立关联的问题。该模型引入跨尺度嵌入层和长短距离注意力等设计，并采用渐进式分组策略和激活冷却层来平衡性能与计算效率。在图像分类、目标检测和语义分割等视觉任务中表现优异，尤其在密集预测任务中效果显著。CrossFormer++为计算机视觉领域提供了一种灵活高效的新型架构。

Det3D - 提供多数据集和算法支持的3D目标检测工具箱

3D对象检测Det3DGithubKITTIPointPillarsPyTorch开源项目

Det3D是一款基于PyTorch的3D目标检测工具箱，支持多个数据集如KITTI、nuScenes、Lyft，并实现了多种3D目标检测算法如PointPillars、SECOND、PIXOR等。其特点包括高性能、支持分布式训练和同步批归一化，以及灵活的模型配置和可视化工具。Det3D适合自动驾驶、机器人和增强现实等领域的研究人员和开发者。

unified-io-2 - 跨模态人工智能的开源新标杆

GithubUnified-IO 2人工智能多模态模型开源项目机器学习深度学习

Unified-IO 2是一个开源的多模态AI框架，集成视觉、语言、音频和动作处理能力。项目提供完整代码支持演示、训练和推理，适用于TPU和GPU环境。基于T5X优化，内含多规格预训练模型和丰富数据集。其跨模态学习和生成能力为AI研究与应用提供了新的可能性。项目采用模块化设计，便于研究人员和开发者进行二次开发和定制。Unified-IO 2支持多种数据格式和预处理流程，为不同任务场景提供灵活解决方案。其开源性质促进了AI社区的协作与创新，为多模态AI技术的进步做出贡献。

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。

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。

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。

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。

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。

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。

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