hass-deepstack-object Python

Fork 0 关注 0

本项目是用于Deepstack对象检测的Home Assistant自定义组件。Deepstack是一项在docker容器中运行的服务，可通过REST API调用开源的深度学习模型。Deepstack可以识别80种不同的对象，包括人和动物。只需要一台具有8 GB RAM的计算机，而无需支付任何其他费用。

原始仓库地址：https://github.com/robmarkcole/hass-deepstack-object.git

frustum-pointnets Python

Fork 0 关注 0

本项目是从RGB-D数据中进行的3D物体检测任务。通过利用2D对象检测器，可以大大减少3D搜索空间以进行对象定位。图像中的高分辨率和丰富的纹理信息还可以使较小的物体获得较高的召回率，这些物体很难仅靠点云定位。通过采用PointNet架构，我们可以直接在3D点云上工作，而无需将其体素化为网格或将其投影到图像平面。由于我们直接在点云上工作，因此我们能够完全利用3D几何进行一系列坐标归一化，有助于消除学习问题。

原始仓库地址：https://github.com/charlesq34/frustum-pointnets.git

awesome-segmentation-saliency-dataset Python

Fork 0 关注 0

本项目专门用于收集物体识别、显著性目标检测的数据集。本项目收集了多种用于显著性目标检测的数据集，包括针对 RGB图像、视频数据、高分辨率图像等数据；针对物体识别任务，收集了人物数据、图像抠图数据等多种数据集。可以帮助开发者快速找到相应任务的数据集。

原始仓库地址：https://github.com/lartpang/awesome-segmentation-saliency-dataset.git

yolo-9000 Python

Fork 0 关注 0

本项目实现了 YOLO9000：一个更好、更快、更强大的实时对象检测网络。本网络采用wordtree的方法，综合ImageNet数据集和COCO数据集训练YOLO9000,使之可以实时识别超过9000种物品。YOLO9000在ImageNet验证集（200类）上获得了19.7mAP；在156类没有出现在COCO训练集中，YOLO9000获得了16.0mAP。

原始仓库地址：https://github.com/philipperemy/yolo-9000.git

person-blocker Python

Fork 0 关注 0

本项目用于从图片中“消除”特定物体。使用在MS COCO数据集上预训练的 Mask R-CNN 自动“消除”图像中的人物的脚本，不仅可以“消除”人类，还可以“消除”多达80种不同类型的物体，包括长颈鹿和公共汽车。

原始仓库地址：https://github.com/minimaxir/person-blocker.git

colornet Python

Fork 0 关注 0

本项目使用深度神经网络为灰度图像上色。本项目基于 TensorFlow 框架，使用基于RGB的灰度图像输入模型，再经过成熟的 VGG-16 网络处理图像。

原始仓库地址：https://github.com/pavelgonchar/colornet.git

blitznet Python

Fork 0 关注 0

本项目是一种同时能够获取目标检测框以及语义分割的实时检测网络，目标是做到实时的目标检测和语义分割，通过的简单的全卷积网络解决两个任务，且在两个任务中大部分权值是共享的。整个网络利用了多级特征融合策略，采用了类似 FCN 网络的编码解码结构以及 Skip 结构。

原始仓库地址：https://github.com/dvornikita/blitznet.git

alphapose Python

Fork 0 关注 0

AlphaPose 是一个开源的多人姿态估计模型，基于腾讯优图和卢策吾团队在 ICCV 2017 上发表的分区域多人姿态识别算法（RMPE）。它是第一个同时在在COCO数据集上达到70+ mAP，比 Mask-RCNN 相对提高 8.2%，比 OpenPose（CMU）相对提高 17%。且在MPII数据集上实现80+ mAP的开源系统。 AlphaPose同时支持Linux系统和Windows系统。

原始仓库地址：https://github.com/mvig-sjtu/alphapose.git

soft-nms Python

Fork 0 关注 0

非极大值抑制（Non-maximum suppression, NMS）是物体检测流程中重要的组成部分。非极最大抑制算法首先按照得分从高到低对建议框进行排序，然后分数最高的检测框被选中，其他框与被选中建议框有明显重叠的框被抑制。该过程被不断递归的应用于其余检测框。 Soft-nms是用一个稍微小一点的分数替代原有的分数，而非直接粗暴的置零，提升了检测效果。

原始仓库地址：https://github.com/bharatsingh430/soft-nms.git

kl-loss Verilog

Fork 0 关注 0

***kl-loss***是一种用于精确目标检测的不确定边界框回归模型，该模型提出了一种新颖的计算边界框损失代价的方法。 在MS-COCO数据集上，该模型将VGG-16 Faster R-CNN的平均精度（AP）从23.6％提高到29.1％；对于ResNet-50-FPN Mask R-CNN，该模型将AP和AP90分别提高了1.8％和6.2％，远优于目前的最好边界框优化方法。

原始仓库地址：https://github.com/yihui-he/kl-loss.git