#deep-learning Dépôts
2,273 dépôts au total
Implémentation officielle de l'article CVPR 2022 "Neural RGB-D Surface Reconstruction"
Cycle de vie complet d'un projet de science des données
DocBank: Un ensemble de données de référence pour l'analyse de la mise en page des documents
Le code officiel pour "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Implémentation/Tutoriel de l'utilisation des méthodes d'apprentissage automatique automatisé (AutoML) pour l'apprentissage statique/par lots et l'apprentissage en ligne/continu
Code vestimentaire : Essai virtuel multidimensionnel haute résolution. ECCV 2022
Une liste de ressources pour le matching/enregistrement d'ensembles de points collectées par Gang Wang
[CVPR2024] Code pour « SAM-6D : Segment Anything Model rencontre l'estimation de pose 6D sans zéro coup ».
Implémentation officielle pour "Blended Latent Diffusion" [SIGGRAPH 2023]
[ECCV2024] Ceci est le code d'inférence officiel des articles "Glyph-ByT5: Un encodeur de texte personnalisé pour un rendu de texte visuel précis" et "Glyph-ByT5-v2: Une solide base esthétique pour un rendu de texte visuel multilingue précis""
Implémentation officielle du code de Vary-toy (Small Language Model rencontre Reinforced Vision Vocabulary)
[CVPR 2025, TPAMI 2026] UniScene : Génération unifiée de scènes de conduite centrée sur l'occupation
Implémentation minimale de transformeurs à flux rectifié évolutifs, basée sur l'approche de SD3
Tensorflow Faster R-CNN pour Windows/Linux et Python 3 (3.5/3.6/3.7)
Implémentation officielle de "FitDiT : Avancement des détails authentiques des vêtements pour un essayage virtuel haute fidélité"
TransMorph : Transformer pour l'enregistrement d'images médicales non supervisé (PyTorch)
Ce dépôt collecte quelques codes qui encapsulent des algorithmes couramment utilisés dans le domaine de l'apprentissage automatique. La plupart sont basés sur Numpy, Pandas ou Torch. Vous pouvez approfondir votre compréhension des modèles et algorithmes associés ou les modifier pour obtenir le code personnalisé qui vous appartient en vous référant à ce dépôt.
:fire: Utilisez des modèles pré-entraînés dans PyTorch pour extraire des embeddings vectoriels pour n'importe quelle image
Diapositives sur l’IA, notes d’articles, notes de cours, billets de blog et synthèses de recherche.
Une liste organisée de ressources sur l'apprentissage par renforcement multi-modal (mise à jour en continu)
Ceci est une liste d'articles impressionnants sur le flux optique et les travaux connexes.
Ce dépôt contient les codes pour LipGAN. LipGAN a été publié comme partie d'un article intitulé "Towards Automatic Face-to-Face Translation".
Une nouvelle méthode d'interaction humaine pour l'extraction de la parole en temps réel sur des écouteurs.
Détecteurs, Trackers et SAM de vision par ordinateur faciles et modulaires - Exécutez YOLOv9,v8,v7,v6,v5,R,X en moins de 10 lignes de code.
Une implémentation de l'encodage positionnel 1D, 2D et 3D dans Pytorch et TensorFlow
🎉 PILOT : Une boîte à outils pour l'apprentissage continu basée sur des modèles pré-entraînés
Paquet Python pour effectuer la correspondance d'entités et de texte en utilisant l'apprentissage profond.
La bibliothèque AutoML la plus propre au monde ✨ - Effectuez l'accordage des hyperparamètres avec les bonnes abstractions de pipeline pour écrire des pipelines de production d'apprentissage profond propres. Laissez les étapes de votre pipeline avoir des espaces d'hyperparamètres. Concevez les étapes de votre pipeline comme des composants. Compatible avec Scikit-Learn, TensorFlow et la plupart des autres bibliothèques, frameworks et environnements MLOps.
🔥Détection d'objets 3D par nuages de points & Segmentation sémantique (Deep Learning) - Méthodes SOTA, code, articles, ensembles de données, etc.
Notes de cours de Machine Learning (Machine Learning) 2021 Spring du professeur Li Hongyi de l'Université de Taiwan (NTU)
En tant que composant central de la communauté Huawei Ascend pour PyTorch, TorchNPU est un plug-in d’adaptation au deep learning développé par Ascend pour PyTorch. Il permet au framework PyTorch d’utiliser directement les NPU Ascend et met à la disposition des développeurs la puissante capacité de calcul des processeurs d’IA Ascend.
Extraction d'événements basée sur des documents de jugement légaux et leurs applications, incluant la segmentation des mots des données, l'étiquetage des parties du discours, la reconnaissance d'entités nommées, l'extraction d'éléments d'événements et la prédiction du résultat du jugement, etc.
dddmr_navigation est la solution de navigation 3D pour robots mobiles incluant la cartographie, la localisation, la perception, la planification de trajectoire, le contrôleur et une pile de navigation.
Un sous-ensemble des modules de réseau neuronal de PyTorch, écrits en Python à l'aide de Triton d'OpenAI.