awesome-repositories.com
Blog
MCP
awesome-repositories.com

Découvrez les meilleurs dépôts open-source grâce à notre recherche par IA.

ExplorerRecherches sélectionnéesAlternatives open sourceLogiciels auto-hébergésBlogPlan du site
ProjetServeur MCPÀ proposNotre méthodologiePresse
Mentions légalesConfidentialitéConditions d'utilisation
© 2026 Bringes Technology SRL·VAT RO45896025·hello@awesome-repositories.com
·

1 dépôt

Awesome GitHub RepositoriesROI Pooling

Standard spatial standardization that extracts fixed-size feature maps from variable-sized regions of interest.

Distinct from Deformable ROI Pooling: Covers standard ROI pooling, whereas the candidate specifically covers the deformable variant.

Explore 1 awesome GitHub repository matching artificial intelligence & ml · ROI Pooling. Refine with filters or upvote what's useful.

Awesome ROI Pooling GitHub Repositories

Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
  • chenyuntc/simple-faster-rcnn-pytorchAvatar de chenyuntc

    chenyuntc/simple-faster-rcnn-pytorch

    4,034Voir sur GitHub↗

    Ce projet est une implémentation PyTorch de l'architecture Faster R-CNN pour la détection d'objets. Il fournit un framework pour identifier plusieurs classes d'objets et leurs boîtes englobantes (bounding boxes) correspondantes dans des images à l'aide d'un système d'apprentissage profond. L'implémentation inclut un pipeline d'entraînement pour optimiser les modèles sur des jeux de données personnalisés et un utilitaire pour convertir des poids pré-entraînés depuis des formats externes vers une structure compatible pour l'initialisation du modèle. Le système couvre un pipeline de détection en deux étapes comprenant un réseau de proposition de régions et une couche de pooling ROI. Il intègre des fonctions de perte multi-tâches et une régression de boîte englobante basée sur des ancres pour affiner les emplacements des objets. Le projet inclut des outils pour la visualisation en temps réel de la perte d'entraînement et de la précision des prédictions afin de surveiller les performances du modèle.

    Implements an ROI pooling layer to provide consistent feature map sizes for the classification head.

    Jupyter Notebookcupyfaster-rcnnobject-detection
    Voir sur GitHub↗4,034
  1. Home
  2. Artificial Intelligence & ML
  3. Computer Vision Features
  4. Region Alignment
  5. Region Pooling
  6. Deformable ROI Pooling
  7. ROI Pooling