之江天枢 / oneflow_yolov3 Python

Fork 0 关注 0

YOLO系列的算法(经典的v1~v3)，是单阶段目标检测网络的开山鼻祖，YOLO—You only look once，表明其单阶段的特征，正是由于网络简单，单阶段的效率较快，使其区别于Faster-RCNN为代表的两阶段目标检测器，从一开始推出至今，便以速度快和较高的准确率而风靡目标检测领域，受到广泛使用和好评。 而Yolov3是其中的经典和集大成者(当然官方最近也推出了yolov4)，其以融合了残差网络的Darknet-53为骨干网络，融合了多尺度，3路输出的feature map，上采样等特点，使其模型精度和对小目标检测能力都大为提升。

原始仓库地址：https://gitee.com/zhijiangtianshu/oneflow_yolov3.git

之江天枢 / oneflow_detection Python

Fork 0 关注 0

OneFlow 中的对象检测和实例分割神经网络。

原始仓库地址：https://gitee.com/zhijiangtianshu/oneflow_detection.git

LF AI & Data / Milvus / milvus C++

Fork 0 关注 0

Milvus是一个用于大规模特征向量的开源相似度搜索引擎。构建了异构计算体系结构，以达到最佳的成本效率。在十亿尺度的向量上进行搜索只需要毫秒的时间和最少的计算资源。Milvus可以用于各种各样的场景来促进AI的发展。

原始仓库地址：https://github.com/milvus-io/milvus.git

underwater_detection N/A

Fork 0 关注 0

本项目由想测水深团队建立，用于向水下目标检测中光学图片物体检测，在2019年初由国家自然科学基金委员会、湛江市人民政府以及鹏城实验室联合举办的水下目标检测算法赛光学赛项中获得第三十一名的好成绩。

原始仓库地址：https://github.com/wakinguup/underwater_detection.git

xview-yolov3 Python

Fork 0 关注 0

本项目是在 xView 2018 挑战赛中训练 YOLOv3 模型的代码。本项目是为2018年卫星图像检测挑战赛而实现的代码，这次挑战赛是由国防部创新组实验室（DIUx）和国家地理空间情报局（NGA）发布新的卫星图像数据集，以推进计算机视觉的关键领域并为国家安全和灾害响应开发新的解决方案。

原始仓库地址：https://github.com/ultralytics/xview-yolov3.git

yolov3 Python

Fork 0 关注 0

本项目是基于 PyTorch 实现的 YOLOv3 模型。在基本的图像特征提取方面，YOLO3采用了称之为Darknet-53的网络结构（含有53个卷积层），它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路（shortcut connections）。YOLO2曾采用passthrough结构来检测细粒度特征，在YOLO3更进一步采用了3个不同尺度的特征图来进行对象检测。

原始仓库地址：https://github.com/ultralytics/yolov3.git

sds_eccv2014 Matlab

Fork 0 关注 0

本项目是用于图像检测和分割的模型。尽管检测和分割被分成两个任务，但是这些差异都是人为设定的。因此，这里应该存在一种任务——Simultaneous Detection and Segmentation。本项目使用MCG（Multiscale Combinatorial Grouping）来做分割的candidate region，然后把region以及由它组合成bounding boxes来同时优化two-path 的网络。

原始仓库地址：https://github.com/bharath272/sds_eccv2014.git

mlnd-capstone Python

Fork 0 关注 0

本项目是使用深度学习进行的车道检测项目。本项目使用完全卷积神经网络输出预测车道的图像。本项目所用的数据集包括从12个视频中收集到21,054张图像，26.5％的路段为直线或大部分为直线路，30.2％的路段为混合或中度弯道，43.3％的路段为非常弯曲的路段，道路还包含困难区域，例如建筑和十字路口。

原始仓库地址：https://github.com/mvirgo/mlnd-capstone.git

tensorflow-yolov3 Python

Fork 0 关注 0

本项目是基于 TensorFlow 的 yolov3 模型。在基本的图像特征提取方面，YOLO3采用了称之为Darknet-53的网络结构（含有53个卷积层），它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路（shortcut connections）。YOLO2曾采用passthrough结构来检测细粒度特征，在YOLO3更进一步采用了3个不同尺度的特征图来进行对象检测。

原始仓库地址：https://github.com/yunyang1994/tensorflow-yolov3.git

dhf1k Matlab

Fork 0 关注 0

本项目是用于视频目标检测的模型。因为现有的一些数据集，要么数量太少，要么场景单一，且annotation获取时是由任务驱使的不是自由观看的。本项目建立了一个场景更加丰富的数据集，共1k份视频，由17名观察者标注完成。同时，提出了一个结合注意力机制的CNN-LSTM网络，作为视频显著性检测模型。

原始仓库地址：https://github.com/wenguanwang/dhf1k.git