#deep-learning Repositories
Insgesamt 2,273 Repositories
Eine kuratierte Liste von Data Science & KI geführten Projekten, um Ihr Portfolio aufzubauen
MARS: Ein instanzbewusster, modularer und realistischer Simulator für autonomes Fahren
[JMLR 2023] Quantus ist ein Toolkit für erklärbare KI zur verantwortungsvollen Bewertung von Erklärungen neuronaler Netze
Cosmos-Predict2 ist eine Sammlung von universellen Weltgrundlagenmodellen für Physical AI, die zu angepassten Weltmodellen für nachgelagerte Anwendungen feinabgestimmt werden können.
Leitfaden für maschinelles Lernen. Erfahren Sie alles über Machine-Learning-Tools, Bibliotheken, Frameworks, Large Language Models (LLMs) und Trainingsmodelle.
🙌Sammlung von über 234 Projekten basierend auf maschinellem Lernen, Deep Learning, Computer Vision, natürlicher Sprachverarbeitung und allem. Zeigen Sie Ihre Unterstützung, indem Sie dieses Repository ✨.
Vom Großen zum Kleinen: Multi-Skala Lokale Planare Führung für die Monokulare Tiefenschätzung
Eine Sammlung von Deep-Learning-basierten Lokalisierungsmodellen
Automatische Kennzeichenerkennung (ALPR) oder Automatische Nummernschilderkennung (ANPR) Software, die mit jeder Kamera funktioniert.
Automatische Aktualisierung von Text-to-Speech (TTS)-Papieren täglich mit Github Actions (Aktualisierung alle 12 Stunden)
PyTorch-Code für das Paper Energy-Based Transformers – generalisierbares Schlussfolgern und skalierbares Lernen
Implementierung von Voicebox, einem neuen SOTA-Text-to-Speech-Netzwerk von MetaAI, in Pytorch
[ECCV] Swin2SR: SwinV2 Transformer für komprimierte Bildsuper-Resolution und Wiederherstellung. Workshop "Advances in Image Manipulation (AIM)" ECCV 2022. Probieren Sie es aus! Über 3,3 Mio. Durchläufe https://replicate.com/mv-lab/swin2sr
[ECCV'20] Structured3D: Ein großer fotorealistischer Datensatz für strukturierte 3D-Modellierung
Variationeller Autoencoder und konditionaler Variationeller Autoencoder auf MNIST in PyTorch
Alle meine selbst trainierten und veröffentlichten KI-Upscaling-Modelle. Nachdem ich über 600 verschiedene Upscaling-Modelle gesammelt und angewendet hatte, lernte ich, wie ich meine eigenen Modelle trainieren kann, und dies sind die Ergebnisse.
Notizen und Materialien zu mathematischer Modellierung, maschinellem Lernen/Deep Learning/großen Modellen (wird ständig aktualisiert......).
Offizielles Repository für das CVPR 2022-Paper: I M Avatar: Implicit Morphable Head Avatars from Videos
Bilinguale (Chinesisch + Englisch) Spickzettel für Vorstellungsgespräche zu ML / LLM / Diffusion / Agenten im herbstlichen KI-Recruiting — erstellt mit ARIS /interview-cheatsheet und von /render-html als überall lesbare einteilige HTML-Dateien gerendert — außerdem ein anhand von CV→DBLP faktengeprüfter Generator für akademische Homepages sowie selbst verfasste Langform-Blogs 🌱
Die offizielle PyTorch-Implementierung von „Mamba-YOLO: SSM-basiert für Objekterkennung“
[ECCV 2024] Szene als Gaußsche für die visuelle 3D-semantische Belegungsvorhersage
Implementierung von „DreamDiffusion: Generierung hochwertiger Bilder aus Gehirn-EEG-Signalen“
Eine einfache Möglichkeit, eine exponentielle gleitende Durchschnittsversion (EMA) Ihres Pytorch-Modells im Auge zu behalten
ZeroCostDL4Mic: Ein kostenloses, auf Google Colab basierendes Werkzeug zur Erforschung von Deep Learning in der Mikroskopie
Eine Reimplementation von PWC-Net in PyTorch, die der offiziellen Caffe-Version entspricht
[CVPR 2024] Panda-70M: 70 Millionen Videos mit mehreren Cross-Modality-Lehrern kommentieren
Azure MLOps (v2) Lösungsbeschleuniger. Unternehmensbereite Vorlagen zur Bereitstellung Ihrer Machine-Learning-Modelle auf der Azure-Plattform.
Offizieller Implementierungsbeitrag zum Paper "Towards Faster and Stabilized GAN Training for High-fidelity Few-shot Image Synthesis" auf der ICLR 2021
Datensatz ‚Exclusively Dark (ExDARK)‘, der laut unserem Verständnis die größte Sammlung von Bildern bei sehr schlechten Lichtverhältnissen ist, die in sehr dunklen Umgebungen bis zum Zwielicht (d.h. 10 unterschiedliche Bedingungen) bis heute aufgenommen wurden, mit Bildklassens- und Objektannotierungen.
Implementierung des Papers „DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients“
Teilen Sie Ihre PyTorch-Modelle automatisch auf mehreren GPUs für Training und Inferenz auf
Eine leichtgewichtige, tragbare reine C99 ONNX-Inferenz-Engine für eingebettete Geräte mit Hardwarebeschleunigungsunterstützung.
CAIRI Toolbox und Benchmark für überwachtes, semi-überwachtes und selbst-überwachtes visuelles repräsentatives Lernen
Implementierung von MEGABYTE, Vorhersage von Million-Byte-Sequenzen mit multiskalaren Transformatoren, in Pytorch