#deep-learning Repositories
Insgesamt 2,273 Repositories
Modern Time Series Forecasting with Python, veröffentlicht von Packt
Umfassende und konventionelle Arbeiten zum Thema Community Detection, Implementierungen, Datensätze und Werkzeuge.
[NeurIPS 2021] Neukonzeption von Raumzeit-Netzwerken mit verbesserter Speicherkontrolle für die effiziente Videoobjektsegmentierung
Ein SAM-basiertes Modell für die Instanzsegmentierung von Getreidebildern
Offizielle Implementierung von SynthTIGER (Synthetic Text Image Generator), ICDAR 2021
Verteilungsbewusste Koordinatenrepräsentation für die Schätzung menschlicher Posen
Zusammenfassung, Code für Deep Neural Network Quantization
Eine kuratierte Liste von Data-Science-Lehrmaterialien für wesentliche Data-Science-Fähigkeiten
Vector Hub – Bibliothek zur einfachen Entdeckung und Nutzung von State-of-the-Art-Modellen zur Umwandlung von Daten in Vektoren (text2vec, image2vec, video2vec, graph2vec, bert, inception, etc)
PraNet: Parallel Reverse Attention Network für Polypensegmentierung, MICCAI 2020 (Oral). Code, der das Jittor Framework verwendet, ist verfügbar.
Eine kuratierte Liste von Ressourcen zur Künstlichen Intelligenz (Kurse, Tools, Apps, Open-Source-Projekte)
Ein großangelegter multimodaler Fahrzeugdatensatz mit Computational-Fluid-Dynamics-Simulationen und Deep-Learning-Benchmarks
Multiview-Matching mit Deep-Learning- und handgefertigten lokalen Merkmalen für COLMAP und andere SfM-Software. Unterstützt hochauflösende Formate und Bilder mit Rotationen. Sowohl CLI als auch GUI werden unterstützt.
Verbesserte AnimateAnyone-Implementierung, die es Ihnen ermöglicht, die "opse"-Bildsequenz und das Referenzbild zur Generierung stilisierter Videos zu verwenden.
Pytorch-Implementierung unserer Arbeit "CLRNet: Cross Layer Refinement Network for Lane Detection" (CVPR2022 Akzeptanz).
[IGARSS'22]: Ein Transformer-basiertes Siamese-Netzwerk zur Veränderungsdetektion
[ICLR 2025 Spotlight] Vision-RWKV: Effiziente und skalierbare visuelle Wahrnehmung mit RWKV-ähnlichen Architekturen
Code-Veröffentlichung für „Nicht-stationäre Transformatoren: Erforschung der Stationarität bei der Zeitreihenprognose“ (NeurIPS 2022), https://arxiv.org/abs/2205.14415
Hands-On Machine Learning mit C++, veröffentlicht von Packt
PyTorch-Implementierung eines bayesschen neuronalen Netzwerks [torchbnn]
Aufzeichnungen aktueller Arbeiten zu 1) Low-Level-Vision-Aufgaben wie Super-Resolution-Verbesserung von Bildern/Videos; 2) Aufgabenspezifische Bildgenerierung, hauptsächlich DL-basierte Methoden ab 2018.
Datei '笔和线段的一种划分.py', Sie müssen nur die K-Linien-Hoch- und Tiefdaten eingeben, um automatisch die Aufteilung in Pinsel, Liniensegmente, Zentrum, Kauf- und Verkaufspunkte sowie Trendtypen zu realisieren. Sie können sh.csv als Eingabedatei verwenden. Lebenslauf siehe.pdf. Die Kraft der Zeit. Manche sagen, die Markttiming sei sehr schwierig, andere sagen, die Aktienauswahl sei einfach, wieder andere sagen, dass die IT-Infrastruktur für statistische Arbitrage sehr wichtig sei. Und einige sagen, das System habe unvorhersehbare Prinzipien. Die Meinungen sind geteilt. Ein verteiltes System – wenn dein Einfluss vernachlässigbar ist, kannst du es nur realisieren, was der Vorsitzende Jiang so meinte: Leise reich werden. In der ersten Woche fiel der Markt um 1 %, aber ich habe 10.000 verdient, einen Gewinn von 5 %. #Aktien #Börse #Chan-Lun https://v.kuaishou.com/bFEl6M Kopieren Sie diese Nachricht und öffnen Sie 【Kwai】, um anzusehen!
Eine vereinheitlichte Schnittstelle für Optimierungsalgorithmen und Experimente
Lösungsübung zu "Deep Learning mit PyTorch". Die Online-Leseadresse lautet:
Dieses Repository enthält eine Leseliste von Arbeiten zur Zeitreihensegmentierung. Dieses Repository wird kontinuierlich verbessert.
CRSLab ist ein Open-Source-Toolkit für den Aufbau von Conversational Recommender Systems (CRS).
Supervisely SDK für Python - bequeme Möglichkeit, die Supervisely Platform für Ihre Computer-Vision-Aufgabe zu automatisieren, anzupassen und zu erweitern
Dieses Repository ist für alle KI-Enthusiasten gedacht, die es wirklich lieben, Bücher zu lesen und zu lernen.
Physikbasiertes Rauschmodellierungsverfahren für extrem rauschfreie Fotografie bei sehr schwachem Licht (CVPR 2020 Oral & TPAMI 2021)
[Information Fusion (Vol.103, Mar. '24)] Steigerung des Image Matting mit vortrainierten Plain Vision Transformers
Der offizielle Code für „Deep Unrestricted Document Image Rectification“, TMM, 2023.
Happy Transformer erleichtert das Fein-Tuning und die Inferenz mit NLP-Transformer-Modellen.
[AAAI' 25] U-KAN bildet ein starkes Rückgrat für die Segmentierung und Generierung medizinischer Bilder
PLUTO: Verschiebung der Grenzen der Imitationslern-basierten Planung für autonomes Fahren