#convolutional-neural-networks Dépôts
Découvrez 91 dépôts GitHub open source actifs associés à #convolutional-neural-networks, cumulant 242,965 étoiles au total (soit une moyenne de 2,669 étoiles par projet). Le projet en tête de ce thème est bloc97/Anime4K, avec 20,452 étoiles.
91 dépôts au total
Une collection de diverses architectures, modèles et astuces d'apprentissage profond
Exemples de code pour mon livre "Neural Networks and Deep Learning"
🤖 Réseaux de neurones accélérés par GPU en JavaScript pour les navigateurs et Node.js
Implémentation de U-Net en PyTorch pour la segmentation sémantique d'images avec des images de haute qualité
Techniques d'apprentissage profond avec des images satellites et aériennes
Meilleures pratiques, exemples de code et documentation pour la Vision par ordinateur.
T81-558: Keras - Applications de Réseaux de Neurones Profonds @Washington University in St. Louis
Réseau de Neurones Convolutifs pour la Classification de Texte en TensorFlow
Moteur Go sans connaissances fournies par l'humain, modélisé d'après l'article AlphaGo Zero.
Je suis convaincu que vous, les étudiants diplômés et les chercheurs d'emploi pour qui ce livre est principalement destiné, en bénéficierez ; cependant, j'espère que même les chercheurs les plus expérimentés le trouveront fascinant également.
Notes, devoirs de programmation et quiz de tous les cours de la spécialisation Deep Learning de Coursera proposés par deeplearning.ai : (i) Réseaux neuronaux et Deep Learning ; (ii) Amélioration des réseaux neuronaux profonds : réglage des hyperparamètres, régularisation et optimisation ; (iii) Structuration des projets d'apprentissage automatique ; (iv) Réseaux neuronaux convolutifs ; (v) Modèles de séquence
Backbones IA efficaces incluant GhostNet, TNT et MLP, développés par Huawei Noah's Ark Lab.
🧠💬 Articles que j'ai écrits sur l'apprentissage automatique, archivés depuis MachineCurve.com.
Minkowski Engine est une bibliothèque de réseaux de neurones avec auto-différenciation pour les tenseurs clairsemés de haute dimension
Opérateurs d'inférence pour réseaux neuronaux à virgule flottante à haute efficacité pour mobile, serveur et Web
[ECCVW 2022] Les codes pour le travail « Swin-Unet : Transformer pur de type Unet pour la segmentation d'images médicales »
Maîtrisez les compétences essentielles nécessaires pour reconnaître et résoudre des problèmes complexes du monde réel avec l'apprentissage automatique et l'apprentissage profond en tirant parti de l'écosystème Python Machine Learning très populaire.
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.
Logiciels et modèles pré-entraînés pour l'amélioration automatique de la qualité des photos utilisant des Réseaux de Neurones Convolutionnels Profonds
Réseau de Neurones Convolutifs Bayésien avec Inférence Variationnelle basée sur Bayes by Backprop en PyTorch.
Les modules plug-and-play les plus complets pour l'ensemble du réseau en 2025, partagés gratuitement ! CVPR2025, AAAI2025, ICLR2025, TNNLS2025, arXiv2025...... Comprend tous les domaines de l'intelligence artificielle (apprentissage automatique, apprentissage profond, etc.), adaptés à la classification d'images, à la détection d'objets, à la segmentation d'instances, à la segmentation sémantique, à la segmentation panoptique, à l'estimation de pose, à la segmentation d'images médicales, à la segmentation d'objets vidéo, au détourage d'images, à l'édition d'images, au suivi d'objets uniques, au suivi d'objets multiples, à la ré-identification de personnes, RGBT, débruitage d'images, suppression de la pluie, suppression du brouillard, suppression des ombres, suppression du flou, super-résolution, suppression des reflets, suppression des motifs moirés, restauration d'images, réparation d'images, restauration d'images hyperspectrales, fusion d'images, colorisation d'images, imagerie à grande gamme dynamique, compression vidéo et image, nuages de points 3D, détection d'objets 3D, segmentation sémantique 3D, estimation de pose 3D, etc., ainsi qu'à d'autres tâches liées à l'IA telles que le traitement du langage naturel, les grands modèles linguistiques, le multimodal, etc. Mise à jour continue......
Une liste sélectionnée des meilleures ressources en Intelligence Artificielle
Code PyTorch pour notre article ECCV 2018 "Image Super-Resolution Using Very Deep Residual Channel Attention Networks"
Récupération d'images CNN dans PyTorch : Entraînement et évaluation de CNN pour la récupération d'images dans PyTorch
Une plongée en profondeur dans toute l'histoire de l'apprentissage profond
[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"
Estimation en temps réel de la pose de la tête humaine avec ONNXRuntime et OpenCV.
Une bibliothèque légère "header-only" pour utiliser des modèles Keras (TensorFlow) en C++.
:computer: Apprenez à faire apprendre les machines pour ne pas avoir à lutter pour les programmer ; La liste ultime
Foire aux questions
Quel est le dépôt #convolutional-neural-networks le plus populaire sur GitHub ?
Le projet #convolutional-neural-networks open source le mieux classé sur GitHub est bloc97/Anime4K, avec 20,452 étoiles. Un Upscaler de Haute Qualité en Temps Réel pour Vidéo Anime
Quels langages de programmation sont les plus utilisés dans les dépôts #convolutional-neural-networks ?
Parmi les projets #convolutional-neural-networks les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, TypeScript.
Comment le classement des dépôts #convolutional-neural-networks est-il calculé ?
Nous suivons 91 dépôts open source actifs associés à #convolutional-neural-networks (500+ étoiles), totalisant 242,965 étoiles, avec une moyenne de 2,669 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.