2 Repos
Awesome GitHub RepositoriesPerception Module Training
Training processes for creating stable weights in object tracking and environmental mapping modules.
Distinct from Perception Dataset Processors: Focuses on the training of the modules' weights via feature aggregation rather than the processing of the datasets.
Explore 2 awesome GitHub repositories matching artificial intelligence & ml · Perception Module Training. Refine with filters or upvote what's useful.
Awesome Perception Module Training GitHub Repositories
Finde die besten Repos mit KI.Wir suchen mit KI nach den am besten passenden Repositories.
- opendrivelab/uniad
OpenDriveLab/UniAD
4,645Auf GitHub ansehenUniAD ist ein einheitliches Deep-Learning-Framework für autonomes Fahren, das Wahrnehmung, Vorhersage und Planung in einem einzigen End-to-End-Modell integriert. Es fungiert als neuronale Netzwerkarchitektur, die rohe Sensordaten direkt in Fahrtrajektorien und Bewegungspläne übersetzt. Dieses Projekt dient als Forschungsimplementierung eines planungsorientierten Ansatzes, der Module für Belegung, Kartierung und Objektverfolgung gemeinsam trainiert. Es nutzt ein Multi-Task-Wahrnehmungs-Framework, um die gesamte Fahrleistung zu optimieren. Das System deckt ein breites Fähigkeitsspektrum ab, einschließlich End-to-End-Fahr-Pipelines, Optimierung der Fahrzeugbewegung und Aggregation visueller Merkmale. Es koordiniert verschiedene Aufgaben des autonomen Fahrens, um den gesamten Fahrprozess in einem einzigen Trainingszyklus zu verfeinern.
Creates stable weights for tracking and mapping by aggregating visual features across multiple video frames.
Pythonautonomous-drivingautonomous-driving-frameworkbev-segmentation - open-mmlab/mmtracking
open-mmlab/mmtracking
3,881Auf GitHub ansehenmmtracking is a PyTorch video perception framework designed for training and deploying computer vision models that analyze sequential image data. It provides specialized tools for multi-object tracking, video instance segmentation, and a configuration-driven system for managing deep learning models. The project utilizes a deep learning model registry and a configuration-driven pipeline to swap model backbones and detectors without modifying the core codebase. This modular approach allows for the development of custom perception architectures by combining various components and configurations.
Provides specialized training processes and schedules for optimizing object tracking and video perception modules.
Pythonmulti-object-trackingsingle-object-trackingtracking
