#deep-learning Dépôts
2,273 dépôts au total
Articles impressionnants sur l'apprentissage automatique (apprentissage profond) sur des graphes (réseaux / graphes de connaissances) dynamiques (temporels).
Exemple de prédiction de plusieurs séries temporelles multivariées avec des réseaux de neurones récurrents LSTM en Python avec Keras.
Algorithmes d'apprentissage automatique pour les systèmes quantiques à plusieurs corps
BiomedGPT: Un modèle de fondation généraliste Vision-Langage pour diverses tâches biomédicales
DeepTables : Boîte à outils d'apprentissage profond pour données tabulaires
Modèle Cookiecutter pour les projets FastAPI utilisant : Machine Learning, uv, GitHub Actions et Pytests
Modèle Seq2Seq minimaliste avec attention pour la traduction automatique neuronale en PyTorch
(IJCV2024 & ICCV2023) LSKNet : une colonne vertébrale légère fondamentale pour la télédétection
【CVPR 2025 Highlight】MonSter : Marier Monodepth à la Stéréo libère la puissance
Code pour l'Apprentissage Non Supervisé Pratique avec Python (O'Reilly Media)
Une feuille de route complète en ML (Machine Learning) Full Stack implique l'acquisition des compétences et des technologies nécessaires pour maîtriser tous les aspects du machine learning, y compris la collecte et le prétraitement des données, le développement de modèles, le déploiement et la maintenance.
Reproduction de l'article de Yann LeCun de 1989 « Backpropagation Applied to Handwritten Zip Code Recognition », à ma connaissance la première application réelle d'un réseau neuronal entraîné par rétropropagation.
Dataset Management Framework, une bibliothèque Python et un outil CLI pour construire, analyser et gérer des ensembles de données de vision par ordinateur.
Champs neuronaux radiants dynamiques pour la reconstruction d'avatars faciaux 4D monoculaires
Code pour "Adversarial Motion Priors Make Good Substitutes for Complex Reward Functions"
Ce dépôt contient la plupart des implémentations classiques d'apprentissage par renforcement profond de PyTorch, y compris - DQN, DDQN, Dueling Network, DDPG, SAC, A2C, PPO, TRPO. (D'autres algorithmes sont en cours)
Deep Learning sur Flink vise à intégrer Flink et des frameworks d'apprentissage profond (par exemple, TensorFlow, PyTorch, etc.) pour permettre l'entraînement et l'inférence d'apprentissage profond distribués sur un cluster Flink.
[ECCV 2024] InstructIR : Restauration d'images de haute qualité suivant les instructions humaines https://huggingface.co/spaces/marcosv/InstructIR
Le dépôt pour "Distill Any Depth: Distillation Creates a Stronger Monocular Depth Estimator"
LSD (LiDAR SLAM & Detection) est une architecture de perception open source pour véhicules/robots autonomes
Papiers, code et ensembles de données sur l'apprentissage profond pour la détection d'objets 3D.
Fabric for Deep Learning (FfDL, prononcé fiddle) est une plateforme d'apprentissage profond offrant TensorFlow, Caffe, PyTorch, etc. en tant que service sur Kubernetes.
Prédiction des cours des actions à l'aide d'un réseau neuronal LSTM (longue mémoire à court terme) TensorFlow pour la prévision de séries temporelles
BlendedMVS : Un ensemble de données à grande échelle pour les réseaux stéréo multi-vues généralisés
Tutoriels d'apprentissage automatique informés par la physique (Pytorch et Jax)
[NeurlPS2024] Réseau de diffusion efficace en une étape pour la super-résolution d'images du monde réel
Modèle linguistique à poids ouverts de Google DeepMind, basé sur Griffin.
[CVPR 2022] Pré-entraînement de Transformers de Nuages de Points 3D avec Modélisation Masquée de Points
ML-capsule est un projet destiné aux débutants et aux passionnés de science des données expérimentés qui n'ont pas de mentor ou de conseils et qui souhaitent apprendre l'apprentissage automatique (Machine Learning). En utilisant notre dépôt, ils peuvent apprendre le ML, le DL et de nombreuses technologies connexes grâce à différents projets concrets et se préparer aux entretiens.
SiLK (Simple Learned Keypoint) est un modèle de points clés d'apprentissage profond auto-supervisé.
OmniVinci est un LLM omnimodal pour la compréhension conjointe de la vision, de l'audio et du langage.
Reconnaissance de plaques d'immatriculation en deux étapes, légère et haute performance avec MTCNN et LPRNet