Awesome GitHub RepositoriesGrid-Based Spatial Sampling

Deformable-ConvNets est un framework de vision par ordinateur et une collection de composants de réseaux de neurones conçus pour implémenter des réseaux de neurones convolutifs déformables. Il fournit des couches convolutives adaptatives et des implémentations de pooling qui modifient leurs champs récepteurs en fonction des caractéristiques d'entrée pour mieux capturer la géométrie des objets dans les images. Le projet permet l'utilisation de décalages d'échantillonnage apprenables et de masques de modulation pour aligner les grilles de convolution avec les formes des objets cibles. Il inclut des outils spécialisés pour visualiser les décalages appris dans les couches de convolution et de pooling, permettant d'analyser comment le réseau adapte son champ récepteur spatial. Ces capacités sont appliquées pour améliorer la précision de la détection d'objets et affiner la segmentation sémantique. Le framework prend en charge l'extraction de caractéristiques à partir de régions d'intérêt via un pooling déformable afin d'aligner les zones d'échantillonnage avec les limites réelles des objets. L'implémentation inclut un pipeline d'entraînement pour exécuter et évaluer ces architectures de réseau spécialisées.

TorchGeo is a PyTorch library designed for deep learning on geospatial data, providing a framework for building and training neural networks for tasks such as semantic segmentation, object detection, and change detection. It serves as a comprehensive pipeline for remote sensing, featuring specialized dataset loaders and multispectral image preprocessing tools. The library is distinguished by a dedicated remote sensing model zoo and extensive support for transfer learning, allowing users to integrate pre-trained weights optimized for specific satellite sensors. It also includes support for sel