#feature-extraction Repositorios
Descubre 45 repositorios activos de código abierto de GitHub etiquetados con #feature-extraction, que acumulan 90,757 estrellas en total (una media de 2,016 estrellas por proyecto). El líder de este tema es facebookresearch/dinov2, con 13,560 estrellas.
45 repositorios en total
Código y modelos de PyTorch para el método de aprendizaje autosupervisado DINOv2.
SLAM en Tiempo Real para Cámaras Monoculares, Estéreo y RGB-D, con Capacidades de Detección de Bucles y Relocalización
Kats, un kit para analizar datos de series temporales, un marco ligero, fácil de usar, generalizable y extensible para realizar análisis de series temporales, desde la comprensión de las estadísticas y características clave, la detección de puntos de inflexión y anomalías, hasta la predicción de tendencias futuras.
Creo que ustedes, los estudiantes de posgrado y los que buscan empleo para quienes el libro está destinado principalmente, se beneficiarán de su lectura; sin embargo, espero que incluso los investigadores más experimentados lo encuentren fascinante.
🔥🔥Biblioteca de Reconocimiento Facial de Alto Rendimiento en PaddlePaddle & PyTorch🔥🔥
Towhee es un framework dedicado a hacer que los pipelines de procesamiento de datos neuronales sean simples y rápidos.
Un marco multiplataforma de estructuración de video (análisis de video) basado en modelos de CV y mLLM.
Un servicio de aprendizaje automático de bajo código para clasificar de forma personalizada artículos, listados, resultados de búsqueda, recomendaciones que impulsa la participación del usuario. Un motor amigable de Aprender para Clasificar
Librería de Python de código abierto para ingeniería y selección de características compatible con sklearn.
OpenMLDB es una base de datos de aprendizaje automático de código abierto que proporciona una plataforma de características para calcular características consistentes para el entrenamiento y la inferencia.
Las acciones de Deep Learning y Machine Learning representan oportunidades prometedoras para inversores y traders a largo y corto plazo.
Código oficial para "FeatUp: Un marco agnóstico al modelo para características a cualquier resolución" ICLR 2024
Paquete de Python de código abierto para la extracción de características de Radiomics de imágenes 2D y 3D y máscaras binarias. Soporte: https://discourse.slicer.org/c/community/radiomics
ProtTrans proporciona modelos de lenguaje preentrenados de última generación para proteínas. ProtTrans se entrenó en miles de GPU de Summit y cientos de TPU de Google utilizando modelos Transformers.
MALLET es un paquete basado en Java para el procesamiento estadístico del lenguaje natural, clasificación de documentos, clustering, modelado de temas, extracción de información y otras aplicaciones de aprendizaje automático para texto.
:speech_balloon: SpeechPy - Una biblioteca para el procesamiento y reconocimiento de voz: http://speechpy.readthedocs.io/en/latest/
El Extractor de Características Multimedia a Gran Escala de Código Abierto de Múnich
De Grueso a Fino: Localización Jerárquica Robusta a Gran Escala con HF-Net (https://arxiv.org/abs/1812.03506)
KISS-Matcher: Registro rápido, robusto y escalable + ejemplos de SLAM de ROS2
Aplicación de Reconocimiento Facial; Detección de Vida Facial; Detección Facial; Alineación Facial; Identificación Facial && Verificación Facial && Comparación Facial; Coincidencia Facial; Seguimiento Facial; Expresión Facial && Anti Suplantación Facial; Atributo Facial && Edad Facial; Transferencia Facial; Anti-Suplantación Facial; Recuperación Facial; reconocimiento facial
Código oficial para "RegionCLIP: Region-based Language-Image Pretraining" [CVPR 2022]
Un marco universal para el aprendizaje de la representación de series temporales
La ingeniería de características es el proceso de usar el conocimiento del dominio para extraer características de datos crudos mediante técnicas de minería de datos. Estas características se pueden usar para mejorar el rendimiento de los algoritmos de aprendizaje automático. La ingeniería de características se puede considerar como el aprendizaje automático aplicado en sí mismo.
Características geométricas totalmente convolucionales: características 3D rápidas y precisas para registro y correspondencia.
SiLK (Simple Learned Keypoint) es un modelo de puntos clave de aprendizaje profundo auto-supervisado.
Utilice estrategias avanzadas de ingeniería de características y seleccione las mejores características de su conjunto de datos con una sola línea de código. Creado por Ram Seshadri. Se aceptan colaboradores.
Repositorio del conjunto de datos Ego4d. Descargue el conjunto de datos, visualice, extraiga características y ejemplo de uso del conjunto de datos
Extraiga características de video de videos sin procesar utilizando múltiples GPU. Soportamos cuadros de flujo RAFT, así como los modelos S3D, I3D, R(2+1)D, VGGish, CLIP y TIMM.
ACG2vec (Anime Comics Games to vector) se compromete a crear un patio de recreo que combine ACG y aprendizaje profundo. (Búsqueda semántica de texto, búsqueda de imágenes por imagen, búsqueda semántica de imágenes, super-resolución de imágenes, sistemas de recomendación)
Desbordante es un perfilador de datos de alto rendimiento capaz de descubrir muchos patrones diferentes en los datos mediante diversos algoritmos. También permite ejecutar escenarios de limpieza de datos utilizando estos algoritmos. Desbordante cuenta con una versión de consola y una aplicación web fácil de usar.
Preguntas frecuentes
¿Cuál es el repositorio de #feature-extraction más popular en GitHub?
El proyecto de código abierto de #feature-extraction mejor posicionado en GitHub es facebookresearch/dinov2, con 13,560 estrellas. Código y modelos de PyTorch para el método de aprendizaje autosupervisado DINOv2.
¿Qué lenguajes de programación se utilizan más en los repositorios de #feature-extraction?
Entre los proyectos de #feature-extraction mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, TypeScript.
¿Cómo se calcula la clasificación de los repositorios de #feature-extraction?
Seguimos 45 repositorios activos de código abierto etiquetados con #feature-extraction (500+ estrellas), que suman un total de 90,757 estrellas, con una media de 2,016 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.