Startseite Projekte XMem
XMem
Python

XMem

[ECCV 2022] XMem: Langzeit-Video-Objektsegmentierung mit einem Atkinson-Shiffrin-Gedächtnismodell

von hkchengrex · GitHub
Sterne
Forks
Lizenz
Erstellt
Letzter Commit
Sprache
computer-visiondeep-learningeccv-2022MITPython
Auf GitHub ansehen
In einfachen Worten

Segmentiere Objekte in langen Videos und gehe effektiv mit Okklusionen um.

Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
XMem — GitHub preview card
📈 Sternhistorie
1 9801 979
2026-07-202026-08-31
📈 XMem verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

[ECCV 2022] XMem: Langzeit-Video-Objektsegmentierung mit einem Atkinson-Shiffrin-Gedächtnismodell

XMem hat 2k Sterne auf GitHub. Es wurde 210-mal geforkt. XMem ist hauptsächlich in Python geschrieben. Es wird seit 2022 aktiv entwickelt. XMem ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: computer-vision, deep-learning, eccv-2022, eccv2022.

Frequently asked questions

Was ist XMem?

[ECCV 2022] XMem: Langzeit-Video-Objektsegmentierung mit einem Atkinson-Shiffrin-Gedächtnismodell

Ist XMem Open Source?

XMem ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.

Ist XMem kostenlos?

Ja. XMem ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

Unter welcher Lizenz steht XMem?

XMem ist unter der MIT-Lizenz verfügbar.

In welcher Sprache ist XMem geschrieben?

XMem ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — XMem

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=hkchengrex-xmem)](https://olud.ai/project/hkchengrex-xmem.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.