#cnn Repositories
Entdecke 62 aktive Open-Source-GitHub-Repositories, die mit #cnn getaggt sind und insgesamt 320,700 Sterne gesammelt haben (durchschnittlich 5,172 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist microsoft/AI-For-Beginners mit 71,086 Sternen.
Insgesamt 62 Repositories
Sofort einsatzbereite OCR-Technologie mit über 80 unterstützten Sprachen und allen gängigen Schriftsystemen, einschließlich Lateinisch, Chinesisch, Arabisch, Devanagari, Kyrillisch und etc.
⚡️HivisionIDPhotos: ein leichtgewichtiges und effizientes KI-Tool für Ausweisfotos. Ein leichtgewichtiger und effizienter Algorithmus zur Erstellung von KI-Ausweisfotos.
《Li Hongyi Deep Learning Tutorial》(Empfohlen von Professor Li Hongyi 👍, Apple Books 🍎), PDF-Download-Link: https://github.com/datawhalechina/leedl-tutorial/releases
Ein neuronales Netzwerk, das ein Design-Mock-up in eine statische Website umwandelt.
Eine Open-Source-Bibliothek für die Gesichtserkennung in Bildern. Die Geschwindigkeit der Gesichtserkennung kann 1000 FPS erreichen.
🦙 LaMa Image Inpainting, Auflösungsrobuste Inpainting mit großen Masken durch Fourier-Faltungen, WACV 2022
Robotik Vision Mobile Roboter VS-SLAM ORB-SLAM2 Deep Learning Objekterkennung yolov3 Verhaltensdetektion opencv PCL Maschinelles Lernen Autonomes Fahren
Ein auf Deep Learning basierendes chinesisches Spracherkennungssystem
Zeitreihen Timeseries Deep Learning Machine Learning Python Pytorch fastai | State-of-the-Art Deep Learning-Bibliothek für Zeitreihen und Sequenzen in Pytorch / fastai
Convolutional Neural Network für Textklassifikation in TensorFlow
Tools zur Gestaltung oder Visualisierung der Architektur von Neuralen Netzwerken
Tutorials zum Einstieg in PyTorch und TorchText für die Sentiment-Analyse.
Tengine ist ein leichter, hochperformanter, modularer Inferenz-Engine für eingebettete Geräte.
CNN-RNN Chinesische Textklassifikation, basierend auf TensorFlow
Einstiegskurse in Deep Learning, Fortgeschrittene Kurse, Spezialkurse, akademische Fälle, industrielle Praxisbeispiele, Deep-Learning-Wissens-Enzyklopädie und Interview-Fragenbank Der Kurs, Fall und das Wissen von Deep Learning und KI
Photo-Realistische Super-Resolution eines Einzelbildes mit einem Generativen Antagonistischem Netzwerk
AIGC-interview/CV-interview/LLMs-interview Interviewfragen und -antworten Sammlung, gleichzeitig neue Ideen, neue Fragen, neue Ressourcen und neue Projekte aus Arbeits- und Forschungsprozessen enthaltend
Gesichter von der Kamera erkennen und identifizieren / Kamera aufrufen für Gesichtserkennung, Unterstützung für simultane Erkennung mehrerer Gesichter
Klassenaktivierungskarten für Ihre PyTorch-Modelle (CAM, Grad-CAM, Grad-CAM++, Smooth Grad-CAM++, Score-CAM, SS-CAM, IS-CAM, XGrad-CAM, Layer-CAM, Finer-CAM, LeGrad, RefineCAM)
Deep-Learning-Modelle für die Bildklassifizierung integrieren | Backbone-Lern-/Vergleichs-/Magie-Modifikationsprojekt
Computer-Vision-Bibliothek für Mensch-Computer-Interaktion. Sie implementiert Kopfposen- und Blickrichtungsabschätzung unter Verwendung von Convolutional Neural Networks, Hauterkennung durch Backprojection, Bewegungsdetektion und -verfolgung, Salienzkarte.
Grobe Liste meiner Lieblingsressourcen für Deep Learning, nützlich zum Wiederholen von Themen oder als Referenz. Ich habe mir all den aufgelisteten Inhalt sorgfältig angesehen. - Guillaume Chevalier
Deep Learning-basierter kostenloser mobiler Echtzeit-Gesichtslage-Detektor. Kontakt: [email protected]
Sammlung von Google Colaboratory Notebooks für schnelle und einfache Experimente
CNN-Bildabruf in PyTorch: Training und Evaluierung von CNNs für Bildabruf in PyTorch
[ICLR'23 Spotlight🔥] Die erste erfolgreiche BERT/MAE-Stil-Vortraining auf jedem konvolutionellen Netzwerk; Pytorch-Implementierung von "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
:art: Erweiterte Version der mathematischen Formelerkennung: Handschriftliche und gedruckte Formeln auf Chinesisch und Englisch, unterstützt grundlegende Symbolableitung (Datenstruktur basierend auf LaTeX Abstract Syntax Tree) Math Formula OCR Pro, unterstützt Handschrift, chinesisch-englische gemischte Formeln und einfache Symbolenfolgerung (basierend auf LaTeX AST).
Keras-Implementierung von "One pixel attack for fooling deep neural networks" mit Differential Evolution auf Cifar10 und ImageNet
Eine Deep-Learning-Bibliothek für die Klassifizierung von EEG-Aufgaben (Signalen), basierend auf TensorFlow.
[Inoffiziell] PyTorch-Implementierung von "Conformer: Convolution-augmented Transformer for Speech Recognition" (INTERSPEECH 2020)
Diagramme zur Visualisierung der Architektur neuronaler Netze
RepViT: Erneute Überprüfung mobiler CNN aus der ViT-Perspektive [CVPR 2024] und RepViT-SAM: Auf dem Weg zur Echtzeit-Segmentierung von allem
UNetFormer: Ein UNet-ähnlicher Transformer für die effiziente semantische Segmentierung von Fernerkundungsbildern städtischer Szenen, ISPRS. Außerdem werden andere Vision Transformer und CNNs für die Segmentierung von Satelliten-, Luft- und UAV-Bildern einbezogen.
Bolt ist eine Deep-Learning-Bibliothek mit hoher Leistung und heterogener Flexibilität.
Dieses Projekt erweitert die Idee der innovativen Architektur von Kolmogorov-Arnold Networks (KAN) auf die Convolutional Layers und ändert die klassische lineare Transformation der Faltung zu lernbaren nichtlinearen Aktivierungen in jedem Pixel.
D2-Net: Ein trainierbares CNN für die gemeinsame Beschreibung und Detektion lokaler Merkmale
Multi-Label-Textklassifizierung, Multi-Label-Klassifizierung, Textklassifizierung, Multi-Label, Klassifikator, Textklassifizierung, BERT, Seq2Seq, Attention, Multi-Label-Klassifizierung
Häufig gestellte Fragen
Welches ist das beliebteste #cnn-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#cnn-Projekt auf GitHub ist microsoft/AI-For-Beginners mit 71,086 Sternen. 12 Wochen, 24 Lektionen, KI für Alle!
Welche Programmiersprachen werden in #cnn-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #cnn-Projekten auf GitHub sind Python, Jupyter Notebook, C++, HTML die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #cnn-Repositories berechnet?
Wir verfolgen 62 aktive Open-Source-Repositories, die mit #cnn getaggt sind (500+ Sterne), mit insgesamt 320,700 Sternen und durchschnittlich 5,172 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.