image-text-localization-recognition

场景文本检测与识别研究进展资源汇总

该项目汇总了场景文本检测与识别领域的最新研究成果,包含牛津大学、深圳先进技术研究院、华南理工大学等机构发表的论文和开源代码。内容覆盖文本检测、文本识别、端到端文本识别等方向,为相关研究提供全面参考。项目保持更新,持续跟踪领域进展,是场景文本分析研究的重要资源库。

Github

论文

介绍相关项目

Awesome-Machine-Generated-Text - 机器生成文本研究资源汇总与综述

GPTGithub人工智能大规模语言模型开源项目自然语言处理预训练

这是一个全面的机器生成文本研究资源库,汇集了大规模预训练语言模型、分析方法和检测技术等关键内容。项目收录了OpenAI、DeepMind和Google等顶级机构的重要成果,包括GPT系列、Chinchilla和T5等著名模型。此外还整理了相关论文、演示、数据集和共享任务,为该领域的研究与开发提供了丰富参考。

Awesome_Matching_Pretraining_Transfering - 多模态模型、参数高效微调及视觉语言预训练研究进展汇总

Github参数高效微调图像文本匹配多模态模型大型模型开源项目视觉语言预训练

该项目汇总了多模态模型、参数高效微调、视觉语言预训练和图像-文本匹配领域的研究进展。内容涵盖大语言模型、视频多模态模型等多个方向，定期更新最新论文和资源。项目为相关领域的研究人员和开发者提供了系统的学习参考。

LLaVAR - 优化视觉指令微调的文本丰富图像理解模型

GithubLLaVAROCR能力多模态大语言模型开源项目文本丰富图像理解视觉指令微调

LLaVAR项目致力于增强大型语言模型对文本丰富图像的理解能力。通过改进视觉指令微调方法，该项目显著提升了模型在OCR相关任务上的表现。LLaVAR开源了模型权重、训练数据，并提供了环境配置、训练脚本和评估方法，为相关研究和开发提供了全面支持。

tessdoc - 多语言支持的开源文字识别引擎

GithubOCRTesseract开源软件开源项目文字识别机器学习

Tesseract是一款功能强大的开源OCR引擎，支持100多种语言和35种以上的文字。它提供命令行和API接口，可从图像中精确提取文本。Tesseract采用LSTM神经网络技术，具有高度可定制性，并配备完善的训练测试工具。该引擎可跨平台使用，包括移动设备，为开发者提供了灵活的文字识别解决方案。

awesome-tiny-object-detection - 微小目标检测研究前沿技术与资源汇总

Github人工智能小目标检测开源项目深度学习目标检测计算机视觉

该项目汇集微小目标检测领域的前沿研究成果和资源。内容涵盖普通微小目标、微小人脸和微小行人检测等多个子领域,同时提供相关数据集、综述文章和挑战赛信息。项目为研究人员和从业者提供了解该领域最新进展的重要参考。

awesome-image-translation - 综合图像到图像转换技术资源库

Github人工智能图像转换开源框架开源项目深度学习计算机视觉

awesome-image-translation是一个精选的图像到图像转换技术资源库。该项目按年份归类了从2018年前至2024年的研究论文和开源框架，如joliGEN等。这个持续更新的知识库为研究人员和开发者提供了全面的图像转换技术资源，并鼓励社区成员贡献新的内容，以保持资源的时效性和完整性。该资源库涵盖了图像到图像转换领域的广泛内容，包括学术论文、开源框架和其他相关资源。通过年份分类，用户可以方便地追踪技术发展历程。项目的开放性质鼓励社区参与，确保了资源的持续更新和多样性，为图像转换技术的研究和应用提供了宝贵的参考。

large-ocr-model.github.io - OCR 技术提升多模态大模型视觉问答性能研究

GithubOCR多模态大型模型开源项目缩放法则视觉问答

本项目研究 OCR 技术对多模态大模型性能的影响。实验表明，OCR 能显著提高模型在视觉问答任务中的表现。研究者构建了 REBU-Syn 数据集，验证了 OCR 领域的缩放法则，并开发了高精度 OCR 模型。这项工作为多模态大模型的应用开辟了新方向，揭示了 OCR 在增强模型能力方面的重要价值。

Awesome-Multimodal-Large-Language-Models - 多模态大语言模型研究资源与最新进展汇总

Github多模态大语言模型开源项目指令微调模型评估视觉语言模型视频理解

该项目汇总了多模态大语言模型(MLLMs)领域的最新研究成果，包括论文、数据集和评估基准。涵盖多模态指令微调、幻觉、上下文学习等方向，提供相关代码和演示。项目还包含MLLM调查报告及MME、Video-MME等评估基准，为研究人员提供全面参考。

Awesome-Text-to-3D - 前沿文本和图像到3D内容生成技术资源集

AI模型Githubtext-to-3D图像生成开源项目深度学习计算机视觉

该项目汇总了文本到3D和图像到3D的前沿生成技术。内容涵盖基于2D先验模型学习3D的方法，以及直接在3D数据上训练的生成模型。资源列表包含DreamFusion、Magic3D、Shap·E等创新方法，展现了从文本或单一图像生成高质量3D内容的最新进展。这为研究人员和开发者提供了探索和应用3D生成技术的重要参考。

Deep-Learning-for-Tracking-and-Detection - 使用深度学习进行对象检测和跟踪的论文与资源合集

GithubRCNNYOLOdeep learningmulti object trackingobject detection开源项目

本项目汇集了有关深度学习在对象检测和跟踪领域的论文、数据集、代码及各种资源。内容涵盖静态检测、视频检测、多对象跟踪和单对象跟踪等主题，并提供了多种经典模型如RCNN、YOLO、SSD的实现和改进方案。此外，项目还涵盖了图像和视频分割、光流、运动预测等任务的资源，为研究人员和开发者提供了详尽的参考资料。

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