#cnn Dépôts
Découvrez 62 dépôts GitHub open source actifs associés à #cnn, cumulant 320,700 étoiles au total (soit une moyenne de 5,172 étoiles par projet). Le projet en tête de ce thème est microsoft/AI-For-Beginners, avec 71,086 étoiles.
62 dépôts au total
OCR prêt à l'emploi avec plus de 80 langues prises en charge et tous les scripts d'écriture populaires, y compris le latin, le chinois, l'arabe, le devanagari, le cyrillique, etc.
⚡️HivisionIDPhotos : un outil léger et efficace d'IA pour photos d'identité. Un algorithme léger et efficace d'IA pour la création de photos d'identité.
《Tutoriel d'apprentissage profond de Li Hongyi》(Recommandé par le professeur Li Hongyi 👍, Apple Books 🍎), Lien de téléchargement PDF : https://github.com/datawhalechina/leedl-tutorial/releases
Un réseau de neurones qui transforme un mock-up de design en un site web statique.
Une bibliothèque open source pour la détection de visages dans les images. La vitesse de détection des visages peut atteindre 1000 FPS.
🦙 LaMa Image Inpainting, Inpainting de masques larges et robustes à la résolution avec des convolutions de Fourier, WACV 2022
Vision robotique Robot mobile VS-SLAM ORB-SLAM2 Détection d'objets d'apprentissage profond yolov3 Détection de comportement opencv PCL Apprentissage automatique Conduite autonome
Système de reconnaissance vocale chinois basé sur l'apprentissage profond
Série temporelle Timeseries Deep Learning Machine Learning Python Pytorch fastai | Bibliothèque Deep Learning de pointe pour les séries temporelles et les séquences en Pytorch / fastai
Réseau de Neurones Convolutifs pour la Classification de Texte en TensorFlow
Outils pour concevoir ou visualiser l'architecture d'un réseau de neurones
Tutoriels pour débuter avec PyTorch et TorchText pour l'analyse de sentiments.
Tengine est un moteur d'inférence léger, haute performance et modulaire pour les appareils embarqués.
Classification de texte chinois CNN-RNN, basée sur TensorFlow
Cours d'initiation à l'apprentissage profond, cours avancés, cours spéciaux, cas académiques, cas de pratique industrielle, encyclopédie des connaissances en apprentissage profond et banque de questions d'entretien Le cours, le cas et les connaissances de Deep Learning et IA
Super-résolution d'image unique photoréaliste utilisant un réseau antagoniste génératif
Collection de questions et réponses d'entretiens AIGC-interview/CV-interview/LLMs-interview, incluant également de nouvelles idées, de nouvelles questions, de nouvelles ressources et de nouveaux projets issus des processus de travail et de recherche
Détecter et reconnaître les visages à partir de la caméra / Appeler la caméra pour la reconnaissance faciale, prend en charge la reconnaissance simultanée de plusieurs visages
Cartes d'activation de classe pour vos modèles PyTorch (CAM, Grad-CAM, Grad-CAM++, Smooth Grad-CAM++, Score-CAM, SS-CAM, IS-CAM, XGrad-CAM, Layer-CAM, Finer-CAM, LeGrad, RefineCAM)
Intégrer des modèles d'apprentissage profond pour la classification d'images | Projet d'apprentissage/comparaison/modification magique de l'épine dorsale
Bibliothèque de vision par ordinateur pour l'interaction homme-machine. Elle implémente l'estimation de la pose de la tête et de la direction du regard à l'aide de réseaux de neurones convolutifs, la détection de peau par rétroprojection, la détection et le suivi du mouvement, la carte de saillance.
Liste approximative de mes ressources préférées en deep learning, utile pour revoir des sujets ou pour référence. J'ai parcouru tout le contenu listé là, avec soin. - Guillaume Chevalier
Détecteur de points de repère faciaux en temps réel mobile gratuit basé sur l'apprentissage profond. Contact : [email protected]
Collection de notebooks Google Colaboratory pour des expériences rapides et faciles
Récupération d'images CNN dans PyTorch : Entraînement et évaluation de CNN pour la récupération d'images dans PyTorch
[ICLR'23 Spotlight🔥] Le premier pré-entraînement réussi de style BERT/MAE sur n'importe quel réseau de convolution ; Impl. Pytorch de "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
Notes de lecture sur l'apprentissage profond et l'apprentissage automatique
:art: Version améliorée de la reconnaissance de formules mathématiques : Formules manuscrites et imprimées en chinois et anglais, prend en charge le raisonnement de base sur les symboles (structure de données basée sur l'arbre de syntaxe abstraite LaTeX) Math Formula OCR Pro, prend en charge l'écriture manuscrite, les formules mixtes chinois-anglais et le raisonnement simple sur les symboles (basé sur LaTeX AST).
Implémentation Keras de "One pixel attack for fooling deep neural networks" utilisant l'évolution différentielle sur Cifar10 et ImageNet
Une bibliothèque d'apprentissage profond pour la classification des tâches (signaux) EEG, basée sur TensorFlow.
[Non officiel] Implémentation PyTorch de "Conformer: Convolution-augmented Transformer for Speech Recognition" (INTERSPEECH 2020)
Diagrammes pour visualiser l'architecture des réseaux neuronaux
RepViT : Revoir les CNN mobiles du point de vue ViT [CVPR 2024] et RepViT-SAM : Vers la segmentation en temps réel de n'importe quoi
UNetFormer : un transformeur de type UNet pour la segmentation sémantique efficace d'images de scènes urbaines de télédétection, ISPRS. De plus, d'autres transformeurs de vision et CNN sont inclus pour la segmentation d'images satellites, aériennes et d'images d'UAV.
Bolt est une bibliothèque d'apprentissage profond avec des performances élevées et une flexibilité hétérogène.
Ce projet étend l'idée de l'architecture innovante des Kolmogorov-Arnold Networks (KAN) aux couches convolutives, en remplaçant la transformation linéaire classique de la convolution par des activations non linéaires apprenables dans chaque pixel.
D2-Net : Un CNN entraînable pour la description et la détection conjointes de caractéristiques locales
LLVIP: Un ensemble de données appariées visible-infrarouge pour la vision en faible luminosité
Classification de texte multi-étiquettes, classification multi-étiquettes, classification de texte, multi-étiquettes, classifieur, classification de texte, BERT, seq2seq, attention, classification multi-étiquettes
Foire aux questions
Quel est le dépôt #cnn le plus populaire sur GitHub ?
Le projet #cnn open source le mieux classé sur GitHub est microsoft/AI-For-Beginners, avec 71,086 étoiles. 12 semaines, 24 leçons, l'IA pour tous !
Quels langages de programmation sont les plus utilisés dans les dépôts #cnn ?
Parmi les projets #cnn les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, HTML.
Comment le classement des dépôts #cnn est-il calculé ?
Nous suivons 62 dépôts open source actifs associés à #cnn (500+ étoiles), totalisant 320,700 étoiles, avec une moyenne de 5,172 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.