#deep-learning Dépôts
2,273 dépôts au total
Bibliothèque d'entraînement pour la détection et la correspondance de caractéristiques locales
Articles intéressants sur la vision, l'apprentissage et les graphiques sur les chats !
Un cadre pour utiliser les LSTMs pour détecter les anomalies dans les données de séries temporelles multivariées. Inclut des données d'anomalies de vaisseaux spatiaux et des expériences des missions Mars Science Laboratory et SMAP.
Un framework Python pour l'évaluation de l'étiquetage de séquences (reconnaissance d'entités nommées, étiquetage POS, etc...)
[NeurIPS 2020] Code officiel du papier "DeepSVG: A Hierarchical Generative Network for Vector Graphics Animation". Comprend une bibliothèque PyTorch pour l'apprentissage profond avec des données SVG.
PyTorch – Calcul FID avec redimensionnement d'image approprié et étapes de quantification [CVPR 2022]
:books: Une collection d'articles sur la colorisation d'images et de vidéos basée sur l'apprentissage profond.
Outils pour la gestion de données multimodales dans les projets d'apprentissage automatique.
OpenSTL : Une référence complète pour l'apprentissage prédictif spatio-temporel
[CVPR2023] Le dépôt officiel pour OC-SORT : SORT Centré sur l'Observation (Observation-Centric SORT) pour le suivi multi-objets vidéo. OC-SORT est simple, en ligne et robuste face à l'occlusion/mouvement non linéaire.
Bibliothèque Tensorielle Différentiable Rapide en JavaScript et TypeScript avec Bun + Flashlight
[ICLR 2025 Oral] TANGO : Réécriture de vidéos de gestes co-discours avec embedding audio-mouvement hiérarchique et interpolation par diffusion
Implémentation PyTorch d'AudioLCM (ACM-MM'24) : une génération texte-vers-audio efficace et de haute qualité avec un modèle de consistance latente.
Une bibliothèque d'apprentissage profond pour la classification des tâches (signaux) EEG, basée sur TensorFlow.
[CoRL 2024] Open-TeleVision : Téléopération avec retour visuel actif immersif
NVTabular est une bibliothèque d'ingénierie et de prétraitement de caractéristiques pour les données tabulaires, conçue pour manipuler rapidement et facilement des jeux de données à l'échelle du téraoctet utilisés pour entraîner des systèmes de recommandation basés sur l'apprentissage profond.
Implémentation de modèle de langage Plug and Play. Permet de diriger le sujet et les attributs des modèles GPT-2.
Questions d'entretien et tests écrits sur l'apprentissage automatique/apprentissage profond/Python/Langage Go (Machine learning Deep Learning Python and Golang Interview Questions)
Recueil de ressources web sur l’apprentissage automatique et l’apprentissage profond (Ressources d’apprentissage automatique)
[IJCV] Show-1 : Marier les modèles de diffusion de pixels et latents pour la génération de texte à vidéo
Implémentation officielle PyTorch de "VITON-HD: High-Resolution Virtual Try-On via Misalignment-Aware Normalization" (CVPR 2021)
🔥 Un agent IA autonome qui exécute vos expériences d'apprentissage profond 24/7 pendant que vous dormez. Surveillance à coût zéro, architecture Leader-Worker, mémoire de taille constante.
RynnVLA-002 : Un modèle unifié de vision, langage, action et monde
Une boîte à outils d'opérations compositionnelles pour l'optimisation bi-niveau basée sur le gradient
Un framework et une boîte à outils AutoML pour l'apprentissage automatique sur les graphes.
APISR : Super-résolution d'anime du monde réel inspirée par la production d'anime (CVPR 2024)
[NeurIPS 2023] MeZO: Fine-Tuning Language Models with Just Forward Passes. https://arxiv.org/abs/2305.17333
Allegro est un puissant modèle texte-vidéo qui génère des vidéos de haute qualité jusqu'à 6 secondes à 15 FPS et une résolution de 720p à partir d'une simple saisie de texte.
Une bibliothèque légère "header-only" pour utiliser des modèles Keras (TensorFlow) en C++.
Reconnaissance de formules et édition bureautique | Conversion de l’écriture manuscrite et des PDF en LaTeX/Markdown | Intégrations d’API sécurisées.
Une liste de ressources en Data Science / Machine Learning (principalement gratuites)
Diagrammes pour visualiser l'architecture des réseaux neuronaux
JMLR : OmniSafe est un cadre d'infrastructure pour accélérer la recherche SafeRL.
🔥 CNN pour la suppression des filigranes à l'aide de Deep Image Prior avec Pytorch 🔥.
DataDreamer: Prompt. Générer des données synthétiques. Entraîner et aligner des modèles. 🤖💤