D
Створення моделей комп'ютерного зору на базі PyTorch
S
Надбудова для покращення роздільної здатності зображень за допомогою нейромереж
C
Функція втрат для навчання моделей на незбалансованих наборах даних
F
Python-бібліотека для глибокого аналізу облич за допомогою PyTorch
C
Офіційна реалізація трансформерів зору з використанням згорток
H
Бібліотека для отримання зображень у системах машинного зору GenICam
C
Інтерактивний інструмент для автоматичного розфарбовування чорно-білих зображень
F
Високопродуктивна бібліотека для вирішення задач комп'ютерного зору
S
Алгоритм виділення топологічного скелета з бінарних зображень
U
Добірка корисних ресурсів для аспірантів з комп'ютерного зору
A
Бібліотека ресурсів та моделей від Ultralytics
R
Керуйте даними, моделями та розгортаннями комп'ютерного зору
M
Масштабний багатодисциплінарний бенчмарк для розуміння ШІ
C
Відновлення зображень за допомогою покращеного синтезу даних
M
Спільний семантичний аналіз для автономного водіння в реальному часі
A
Список ресурсів з паноптичної сегментації
G
Навчання великих мовних моделей на регіонах інтересу
Y
Виявлення малих об'єктів та сегментація за допомогою YOLO
C
Просторове надчуття у відео
C
Покращена та зрозуміла версія детектора об'єктів CenterNet
V
Централізована база схем для роботи з мультимодальними моделями
P
Обробка зображень за допомогою клітинних нейронних мереж
D
Модуль виявлення сонливості для підвищення безпеки
H
Система візуально-інерційної навігації для роботів
C
Віртуальна примірка одягу на основі штучного інтелекту
S
Ефективний метод оптимізації для складних задач
T
Розпізнавання об'єктів у браузері на Tensorflow.js
G
Стиснення зображень за допомогою генеративних мереж
T
Прогнозування оптичного потоку на базі TensorFlow
S
Детекція та класифікація дорожніх знаків на TensorFlow
O
Професійне покращення контрастності для зображень при слабкому освітленні
E
Швидкий детектор об'єктів для периферійних пристроїв
C
Надшвидкі нейромережі для відстеження об'єктів
P
Піксельно-адаптивні згорткові нейронні мережі
A
Добірка сучасних методів оцінки глибини зображення
A
Колекція наборів даних для робототехніки та комп'ютерного зору
D
Глибока нейромережа для автоматичного вирівнювання облич
O
Виявлення об'єктів через YOLO та OpenCV
F
Високоякісне виділення об'єктів на зображеннях
E Простий класифікатор емодзі для кожного
S
Ефективне відстеження множинних об'єктів у відеопотоці
P
Швидка реалізація алгоритму SIFT на базі CUDA
T
Автоматизована система моніторингу та детекції потягів
D
Виявлення об'єктів у реальному часі за допомогою FCN
O
Швидке виявлення об'єктів з використанням моделі YOLOv8
N
Інтелектуальний візуальний аналіз питань на базі Torch
M
Добірка актуальних досліджень архітектури Mamba у комп’ютерному зорі
G
Швидке створення моделей комп’ютерного зору з мінімумом даних
A
Потужна збірка інструментів для семантичної сегментації
D
Система пам’яті для відстеження об'єктів на основі SAM2