Logo
Project Icon

PETR

多视角3D感知框架 目标检测与BEV分割的统一解决方案

3D目标检测多视图感知位置嵌入PETRv2nuScenes数据集Github开源项目

PETR是一个多视角3D感知框架,通过位置嵌入变换将3D坐标信息编码到图像特征中。其升级版PETRv2引入时序建模,支持目标检测和BEV分割。该框架在nuScenes数据集上展现了出色性能,为3D感知研究提供了有力基线。此外,PETR还支持3D车道线检测,相关工作在CVPR 2023工作坊中获得第一名。

访问官网访问官网GithubGithub论文论文
介绍相关项目
Vista - 通用自动驾驶世界模型实现高保真多场景预测
GithubVista世界模型开源项目控制自动驾驶预测
Vista是一款通用自动驾驶世界模型，可在多种场景中生成高保真度的预测，并扩展至连续和长期视野。模型支持多模态操作控制，包括转向、速度、指令、轨迹和目标点设定，无需真实操作数据即可评估不同行为。Vista在预测精度和操控灵活性上有显著提升，为自动驾驶技术研究提供了有力支持。
Free3D - 基于单视图的一致性多视角图像合成技术
3D生成Free3DGithub单视图重建开源项目新视角合成计算机视觉
Free3D是牛津大学VGG实验室开发的新型计算机视觉技术，可从单一图像生成一致性的多视角合成图,无需显式3D表示。该技术采用射线条件归一化和伪3D注意力机制,在Objaverse等多个数据集上展现优异性能。Free3D为计算机视觉和图形学领域提供了新的研究方向,有望应用于3D重建、虚拟现实等多个领域。
YOLOv8-multi-task - 轻量级神经网络实现实时多任务目标检测与分割
GithubYOLOv8多任务学习开源项目目标检测自动驾驶语义分割
YOLOv8-multi-task项目提出了一种轻量级神经网络模型，可同时执行目标检测、可行驶区域分割和车道线检测等多任务。该模型使用自适应拼接模块和通用分割头设计，在提高性能的同时保持高效率。实验表明，该模型在推理速度和可视化效果方面优于现有方法，适用于需要实时处理的多任务场景。
CoDA_NeurIPS2023 - 创新3D目标检测框架实现开放词汇表任务
CoDAGithub开放词汇3D目标检测开源项目深度学习神经网络计算机视觉
CoDA是一个开源的开放词汇表3D目标检测框架，通过协作式新颖框发现和跨模态对齐技术提高对未见类别的检测能力。该项目支持ScanNet和SUN RGB-D数据集，提供完整的代码、预训练模型和数据集。CoDA的创新方法在NeurIPS 2023发表，为3D场景理解研究提供了新的思路。项目基于PyTorch开发，并提供详细的安装和使用指南。
GPTEval3D - 基于GPT-4V的文本到3D生成模型评估框架
GPTEval3D是一个实现了《GPT-4V(ision) is a Human-Aligned Evaluator for Text-to-3D Generation》论文评估指标的开源项目。该框架提供了完整的文本到3D生成模型评估流程，包括数据准备、模型评估和比赛评分。研究者可以利用GPTEval3D评估自己的模型或组织3D生成模型比赛。项目还包含110个精选图像提示和详细的使用说明，方便研究人员快速上手。
ESANet - 高效RGB-D语义分割网络用于室内场景分析
ESANetGithubRGB-D实时处理室内场景分析开源项目语义分割
ESANet是一个高效的RGB-D语义分割网络,专为室内场景分析设计。该网络在NVIDIA Jetson AGX Xavier上实现实时语义分割,适用于移动机器人的实时场景分析系统。项目提供训练和评估代码,支持模型转换至ONNX和TensorRT,并可测量推理时间。ESANet在NYUv2、SUNRGB-D和Cityscapes等数据集上展现出优异性能。
iros20-6d-pose-tracking - 6D姿态跟踪的优化方案，提高机器人操控和视觉领域的精度和效率
6D姿态跟踪GithubRGB-D图像iros20-6d-pose-trackingse(3)-TrackNet开源项目机器人操作
se(3)-TrackNet通过校准合成图像残差，实现视频序列中的6D姿态跟踪，适用领域包括机器人操控和增强现实。其神经网络架构有效减少域迁移，并采用Lie Algebra实现三维定向表示，即使仅使用合成数据训练也能在真实图像中工作。研究表明，在遮挡条件下，该方法提供稳定和精准的姿态估计，计算效率高达90.9Hz。
dpt-large - 基于视觉变换器的高精度单目深度估计模型
DPT-LargeGithubHuggingface单目深度估计密集预测开源项目模型视觉变换器计算机视觉
DPT-Large是一种基于视觉变换器的密集预测模型，专门用于单目深度估计。该模型在140万张图像上训练，具有优秀的零样本迁移能力。DPT-Large使用ViT作为主干网络，并增加了特定的颈部和头部结构，能够精确估计图像深度信息。在多项基准测试中，DPT-Large展现出优异性能，为计算机视觉领域的深度估计任务提供了有力支持。
MIMDet - 掩码图像建模应用于目标检测的开源项目
GithubMIMDet卷积神经网络实例分割开源项目物体检测视觉变换器
MIMDet是一个利用掩码图像建模技术的开源项目，能够提升预训练的Vanilla Vision Transformer在目标检测中的表现。此框架采用混合架构，用随机初始化的卷积体系取代预训练的大核Patchify体系，实现多尺度表示无需上采样。在COCO数据集上的表现亮眼，使用ViT-Base和Mask R-CNN模型时，分别达到51.7的框AP和46.2的掩码AP；使用ViT-L模型时，成绩分别是54.3的框AP和48.2的掩码AP。
flatformer - 优化点云变换器性能
3D目标检测FlatFormerGithubWaymo数据集开源项目点云transformer自注意力机制
FlatFormer是一种新型点云变换器算法，采用扁平化窗口注意力机制提高处理效率。在Waymo开放数据集上，它实现了领先的精度，并比现有方法快4.6倍。FlatFormer首次在边缘GPU上达到实时性能，为自动驾驶等对延迟敏感的应用开辟新途径。该算法通过平衡空间邻近性和计算规律性，减少了结构化和填充开销。
相关项目
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