#deep-learning Dépôts
2,273 dépôts au total
Notebooks Colab couvrant les outils d'apprentissage profond pour la prédiction et la conception de la structure biomoléculaire
Le Multi-Scale Neural Audio Codec (SNAC) compresse l'audio en codes discrets à faible débit
NeuPy est une bibliothèque Python basée sur Tensorflow pour le prototypage et la construction de réseaux de neurones.
Une liste organisée de documents, thèses, ensembles de données et outils liés à l'application de l'apprentissage automatique pour l'ingénierie logicielle
Code pour l'article "Computation Offloading Optimization for UAV-assisted Mobile Edge Computing: A Deep Deterministic Policy Gradient Approach"
Une boîte à outils modulaire, ouverte et non propriétaire pour les fonctionnalités robotiques de base en exploitant l'apprentissage profond
Un framework Pytorch pour la reconnaissance vocale automatique en flux et non en flux, compatible avec la reconnaissance en ligne et hors ligne. Il prend actuellement en charge les modèles Conformer, Squeezeformer et DeepSpeech2, ainsi que diverses méthodes d'augmentation de données.
Intel® AI Reference Models : contient des optimisations Intel pour exécuter des charges de travail d'apprentissage profond sur les processeurs Intel® Xeon® Scalable et les GPU Intel® Data Center
[ECCV2024 - Oral, Candidat au Prix du Meilleur Article] SEA-RAFT : RAFT simple, efficace et précis pour le flux optique
Une implémentation concise mais complète de CLIP, intégrant diverses améliorations expérimentales issues d’articles récents
Évaluation automatique unifiée de la qualité pour la parole, la musique et les sons.
Le Zoo de Modèles Hailo comprend des modèles pré-entraînés et un environnement complet pour la construction et l'évaluation
[CVPR 2025 Highlight] Implémentation officielle de "MangaNinja : Colorisation d'art linéaire avec suivi précis de référence"
Implémentation rapide CUDA du soft dynamic time warping (différentiable) pour PyTorch
Affinage fin de réseaux de neurones convolutifs pré-entraînés avec PyTorch
Ensemble d'environnements robotiques basés sur le moteur physique PyBullet et gymnasium.
Dépôt modèle pour construire des projets PyTorch à partir de la source sur n'importe quelle version de PyTorch/CUDA/cuDNN.
Entraînons des transformers de vision (ViT) pour CIFAR-10/CIFAR-100/ImageNet
Notes d'étude personnelles sur l'apprentissage profond et cahiers de style tutoriel
[CVPR'25 Highlight] Vous le voyez, vous l'avez : Apprentissage de la création 3D sur des vidéos sans pose à grande échelle
Ceci est un référentiel collectif pour tous les progrès liés au 3DGS dans le monde de la recherche et de l'industrie
Modèles Fondamentaux Lisibles, Évolutifs et Reproductibles avec Tenseurs Nommés et Jax
Implémentation officielle pour EMNLP 2024 (session principale, présentation orale) « AgentReview : explorer l’évaluation par les pairs académique avec un agent LLM ».
Flux de travail de bout en bout de Google Cloud Platform Vertex AI pour les opérations d'apprentissage automatique
Fruits-360 : Un ensemble de données d'images contenant des fruits et des légumes
StoryMaker : Vers des personnages cohérents dans la génération de texte à image
BiomedParse : Un modèle de base pour la segmentation, la détection et la reconnaissance conjointes d'objets biomédicaux à travers neuf modalités
Une liste organisée (la plus récente) de ressources pour apprendre avec des étiquettes bruitées
Une liste curated de papiers sur la recherche arborescente de Monte Carlo avec implémentations.
Inspectez, visualisez et intervenez sur n’importe quelle opération dans n’importe quel réseau neuronal. Capturez chaque activation et chaque gradient, le graphe de calcul complet et plus de 800 champs de métadonnées, sans modifier le code du modèle. Compatible avec PyTorch, JAX, TensorFlow, MLX, PaddlePaddle et tinygrad. Validé sur plus de 6 400 modèles. Conçu pour les chercheurs et leurs agents d’IA.
Little Ball of Fur - Une bibliothèque d'extension d'échantillonnage de graphes pour NetworKit et NetworkX (CIKM 2020)
Code officiel pour "Boundary loss for highly unbalanced segmentation", deuxième du prix du meilleur article à MIDL 2019. Version étendue dans MedIA, volume 67, janvier 2021.