#feature-extraction Repositories
Entdecke 45 aktive Open-Source-GitHub-Repositories, die mit #feature-extraction getaggt sind und insgesamt 90,757 Sterne gesammelt haben (durchschnittlich 2,016 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist facebookresearch/dinov2 mit 13,560 Sternen.
Insgesamt 45 Repositories
PyTorch-Code und Modelle für die DINOv2-Methode des selbstüberwachten Lernens.
Echtzeit-SLAM für Monokulare, Stereo- und RGB-D-Kameras mit Schleifenerkennung und Relokalisierungsfunktionen
Kats, ein Paket zur Analyse von Zeitreihendaten, ein leichtgewichtiges, einfach zu bedienendes, verallgemeinerbares und erweiterbares Framework zur Durchführung von Zeitreihenanalysen, vom Verständnis der wichtigsten Statistiken und Merkmale über die Erkennung von Wechselpunkten und Anomalien bis hin zur Vorhersage zukünftiger Trends.
Ich glaube, dass Sie, die Doktoranden und Arbeitssuchenden, für die das Buch hauptsächlich bestimmt ist, davon profitieren werden; ich hoffe jedoch, dass selbst die erfahrensten Forscher es faszinierend finden werden.
Towhee ist ein Framework, das sich der einfachen und schnellen Verarbeitung von neuronalen Datenpipelines widmet.
Ein plattformübergreifendes Framework zur Videostrukturierung (Videoanalyse) basierend auf CV-Modellen und mLLM.
Ein Low-Code-Machine-Learning-Service für personalisierte Rankings für Artikel, Angebote, Suchergebnisse und Empfehlungen, der die Benutzerbindung stärkt. Eine benutzerfreundliche Learn-to-Rank-Engine
Open-Source-Python-Bibliothek für Feature Engineering und -auswahl, kompatibel mit sklearn.
OpenMLDB ist eine Open-Source-Machine-Learning-Datenbank, die eine Feature-Plattform für die Berechnung konsistenter Features für Training und Inferenz bereitstellt.
Aktien im Bereich Deep Learning und Machine Learning bieten vielversprechende Chancen für langfristige und kurzfristige Investoren und Trader.
Offizieller Code für "FeatUp: Ein modellunabhängiges Framework für Merkmale jeder Auflösung" ICLR 2024
Open-Source-Python-Paket zur Extraktion von Radiomics-Features aus 2D- und 3D-Bildern und Binärmasken. Support: https://discourse.slicer.org/c/community/radiomics
ProtTrans bietet hochmoderne vortrainierte Sprachmodelle für Proteine an. ProtTrans wurde auf Tausenden von GPUs von Summit und Hunderten von Google TPUs unter Verwendung von Transformer-Modellen trainiert.
MALLET ist ein Java-basiertes Paket für statistische natürliche Sprachverarbeitung, Dokumentenklassifizierung, Clustering, Topic Modeling, Informationsextraktion und andere Machine-Learning-Anwendungen für Text.
:speech_balloon: SpeechPy - Eine Bibliothek für Sprachverarbeitung und -erkennung: http://speechpy.readthedocs.io/en/latest/
Vom Groben zum Feinen: Robuste hierarchische Lokalisierung im großen Maßstab mit HF-Net (https://arxiv.org/abs/1812.03506)
KISS-Matcher: Schnelle, robuste und skalierbare Registrierung + ROS2 SLAM-Beispiele
Gesichtserkennungs-App; Lebenderkennung; Gesichtserkennung; Gesichtsausrichtung; Gesichtsidentifikation && Gesichtsverifikation && Gesichtsvergleich; Gesichtsabgleich; Gesichtsverfolgung; Gesichtsausdruck && Anti-Spoofing; Gesichtsattribut && Gesichtsalter; Gesichtstransfer; Anti-Spoofing; Gesichtsabruf; Gesichtserkennung
"RegionCLIP: Region-based Language-Image Pretraining" offizieller Code für [CVPR 2022]
Feature Engineering ist der Prozess, Domain-Wissen zu nutzen, um Features aus Rohdaten mittels Data-Mining-Techniken zu extrahieren. Diese Features können verwendet werden, um die Leistung von Machine-Learning-Algorithmen zu verbessern. Feature Engineering kann als angewandtes Machine Learning selbst betrachtet werden.
Vollständig konvolutive geometrische Merkmale: Schnelle und präzise 3D-Merkmale für Registrierung und Korrespondenz.
SiLK (Simple Learned Keypoint) ist ein selbstüberwachtes Deep-Learning-Keypoint-Modell.
Nutzen Sie fortgeschrittene Feature-Engineering-Strategien und wählen Sie mit einer einzigen Codezeile die besten Features aus Ihrem Datensatz aus. Erstellt von Ram Seshadri. Mitarbeiter willkommen.
Ego4d Dataset Repository. Laden Sie den Datensatz herunter, visualisieren Sie ihn, extrahieren Sie Merkmale und Beispielhafte Nutzung des Datensatzes
Extrahieren Sie Videofunktionen aus Rohvideos mit mehreren GPUs. Wir unterstützen RAFT-Flow-Frames sowie die Modelle S3D, I3D, R(2+1)D, VGGish, CLIP und TIMM.
ACG2vec (Anime Comics Games to vector) setzt sich dafür ein, eine Spielwiese zu schaffen, die ACG und Deep Learning kombiniert. (Semantische Textsuche, bildbasierte Suche, semantische Bildsuche, Super-Resolution für Bilder, Empfehlungssysteme)
Desbordante ist ein leistungsstarker Datenprofiler, der mithilfe verschiedener Algorithmen viele unterschiedliche Muster in Daten erkennen kann. Außerdem können mit diesen Algorithmen Szenarien zur Datenbereinigung ausgeführt werden. Desbordante ist als Konsolenversion und als benutzerfreundliche Webanwendung verfügbar.
Häufig gestellte Fragen
Welches ist das beliebteste #feature-extraction-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#feature-extraction-Projekt auf GitHub ist facebookresearch/dinov2 mit 13,560 Sternen. PyTorch-Code und Modelle für die DINOv2-Methode des selbstüberwachten Lernens.
Welche Programmiersprachen werden in #feature-extraction-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #feature-extraction-Projekten auf GitHub sind Python, Jupyter Notebook, C++, TypeScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #feature-extraction-Repositories berechnet?
Wir verfolgen 45 aktive Open-Source-Repositories, die mit #feature-extraction getaggt sind (500+ Sterne), mit insgesamt 90,757 Sternen und durchschnittlich 2,016 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.