特征金字塔网络

R-FCN

AI GitHub 仓库

基于区域的对象检测框架，它利用全卷积网络进行准确高效的图像分析。它在整个图像上共享计算，从而能够采用强大的分类器骨干网络（如 ResNets）来增强对象检测能力。R-FCN 是一种基于区域的对象检测框架，它利用全卷积网络进行准确高效的图像分析。它在整个图像上共享计算，从而能够采用强大的分类器骨干网络（如 ResNets）来增强对象检测能力。

全景特征金字塔网络

AI 模型

全景FPN将实例分割和语义分割统一到单一网络架构中。它通过使用共享的特征金字塔网络骨干网的语义分割分支来增强Mask R-CNN，为这两个任务提供了轻量级且有效的解决方案。本研究旨在为全景分割提供一个强大的基线。

Detection Transformers (DETR)

AI 模型

DETR 是一种端到端的对象检测和全景分割框架，将 Transformer 作为核心组件集成。它简化了架构，直接预测对象集，并在 COCO 等具有挑战性的数据集上达到了最先进的性能，为计算机视觉任务提供了更灵活、更精简的方法。

Densenet – PyTorch

AI 模型

深度卷积神经网络架构，可通过PyTorch使用。它通过以前馈方式将每个层连接到所有其他层来增强特征传播和重用。该模型在ImageNet上进行了预训练，并提供densenet121、densenet169、densenet201和densenet161等变体，用于图像分类任务。Densenet是一种深度卷积神经网络架构，可通过PyTorch使用。它通过以前馈方式将每个层连接到所有其他层来增强特征传播和重用。该模型在ImageNet上进行了预训练，并提供densenet121、densenet169、densenet201和densenet161等变体，用于图像分类任务。

Caffe SSD

AI 模型

Caffe 框架集成 SSD 实现，用于目标检测。该存储库提供了一个快速、开放的深度学习框架，专门为单次多框检测器 (SSD) 定制。它能够使用单个模型训练和评估目标检测网络，提供高效的性能。

SPP_net

AI GitHub 仓库

用于深度卷积网络的空间金字塔池化算法的重新实现，应用于视觉识别领域。它旨在复现一篇 2014 年 ECCV 论文中的目标检测结果，并利用 Caffe 框架方便代码发布。该项目提供了用于训练和微调模型的代码。SPP_net 是用于深度卷积网络的空间金字塔池化算法的重新实现，应用于视觉识别领域。它旨在复现一篇 2014 年 ECCV 论文中的目标检测结果，并利用 Caffe 框架方便代码发布。该项目提供了用于训练和微调模型的代码。

Mask R-CNN

AI GitHub 仓库

用于目标检测和实例分割的深度学习模型，基于 Keras 和 TensorFlow 实现。它旨在识别和分割图像中的对象，为计算机视觉的各种应用提供像素级的准确性。Mask R-CNN 是一个用于目标检测和实例分割的深度学习模型，基于 Keras 和 TensorFlow 实现。它旨在识别和分割图像中的对象，为计算机视觉的各种应用提供像素级的准确性。

Squeeze-and-Excitation Networks

AI GitHub 仓库

深度学习模型架构，可自适应地重新校准通道特征响应。它通过显式建模通道间的相互依赖性来提高性能，从而在图像分类任务中获得更高的准确性。该实现基于 Caffe。Squeeze-and-Excitation Networks (SENet) 是一种深度学习模型架构，可自适应地重新校准通道特征响应。它通过显式建模通道间的相互依赖性来提高性能，从而在图像分类任务中获得更高的准确性。该实现基于 Caffe。