#feature-extraction Dépôts
Découvrez 45 dépôts GitHub open source actifs associés à #feature-extraction, cumulant 90,757 étoiles au total (soit une moyenne de 2,016 étoiles par projet). Le projet en tête de ce thème est facebookresearch/dinov2, avec 13,560 étoiles.
45 dépôts au total
Code et modèles PyTorch pour la méthode d'apprentissage auto-supervisé DINOv2.
SLAM en Temps Réel pour Caméras Monoculaires, Stéréo et RGB-D, avec Capacités de Détection de Boucles et de Relocalisation
Extraction automatique de caractéristiques pertinentes à partir de séries temporelles :
Kats, un kit pour analyser des données de séries temporelles, un framework léger, facile à utiliser, généralisable et extensible pour effectuer des analyses de séries temporelles, de la compréhension des statistiques et caractéristiques clés, à la détection de points de changement et d'anomalies, en passant par la prévision des tendances futures.
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.
🔥🔥Bibliothèque de Reconnaissance Faciale Haute Performance sur PaddlePaddle & PyTorch🔥🔥
Towhee est un framework dédié à rendre les pipelines de traitement de données neuronales simples et rapides.
Un framework multiplateforme de structuration vidéo (analyse vidéo) basé sur des modèles CV et mLLM.
Un service de classement personnalisé par apprentissage automatique à faible code pour les articles, les annonces, les résultats de recherche, les recommandations qui stimule l'engagement des utilisateurs. Un moteur Learn-to-Rank convivial
Bibliothèque Python open-source de préparation et de sélection de caractéristiques compatible avec sklearn.
OpenMLDB est une base de données open-source de machine learning qui fournit une plateforme de fonctionnalités pour le calcul de fonctionnalités cohérentes pour l'entraînement et l'inférence.
Les actions en deep learning et en machine learning représentent des opportunités prometteuses pour les investisseurs et les traders à long et court terme.
Code officiel pour "FeatUp : Un cadre agnostique au modèle pour les caractéristiques à n'importe quelle résolution" ICLR 2024
Paquet Python open source pour l'extraction de caractéristiques Radiomics à partir d'images 2D et 3D et de masques binaires. Support : https://discourse.slicer.org/c/community/radiomics
ProtTrans fournit des modèles de langage pré-entraînés de pointe pour les protéines. ProtTrans a été entraîné sur des milliers de GPU de Summit et des centaines de TPU Google en utilisant des modèles Transformers.
MALLET est un package basé sur Java pour le traitement statistique du langage naturel, la classification de documents, le clustering, la modélisation de sujets, l'extraction d'informations et d'autres applications d'apprentissage automatique appliquées au texte.
:speech_balloon: SpeechPy - Une bibliothèque pour le traitement et la reconnaissance de la parole: http://speechpy.readthedocs.io/en/latest/
L'extracteur de caractéristiques multimédias à grande échelle open-source de Munich
Du Grossier au Fin : Localisation Hiérarchique Robuste à Grande Échelle avec HF-Net (https://arxiv.org/abs/1812.03506)
KISS-Matcher : Enregistrement rapide, robuste et évolutif + exemples SLAM ROS2
Application de Reconnaissance Faciale; Détection de Vivacité Faciale; Détection Faciale; Alignement Facial; Identification Faciale && Vérification Faciale && Comparaison Faciale; Correspondance Faciale; Suivi Facial; Expression Faciale && Anti-Usurpation Faciale; Attribut Facial && Âge Facial; Transfert Facial; Anti-Usurpation Faciale; Récupération Faciale; reconnaissance faciale
Code officiel pour "RegionCLIP: Region-based Language-Image Pretraining" [CVPR 2022]
Un framework universel d'apprentissage de la représentation des séries chronologiques
L'ingénierie des caractéristiques est le processus d'utilisation des connaissances du domaine pour extraire des caractéristiques des données brutes via des techniques de fouille de données. Ces caractéristiques peuvent être utilisées pour améliorer les performances des algorithmes d'apprentissage automatique. L'ingénierie des caractéristiques peut être considérée comme l'apprentissage automatique appliqué lui-même.
Caractéristiques géométriques entièrement convolutives : caractéristiques 3D rapides et précises pour l'enregistrement et la correspondance.
SiLK (Simple Learned Keypoint) est un modèle de points clés d'apprentissage profond auto-supervisé.
Utilisez des stratégies avancées d'ingénierie des fonctionnalités et sélectionnez les meilleures fonctionnalités de votre jeu de données en une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus.
Dépôt du jeu de données Ego4d. Téléchargez le jeu de données, visualisez, extrayez les caractéristiques et exemple d'utilisation du jeu de données
Extrayez les caractéristiques vidéo à partir de vidéos brutes à l'aide de plusieurs GPU. Nous prenons en charge les images de flux RAFT ainsi que les modèles S3D, I3D, R(2+1)D, VGGish, CLIP et TIMM.
ACG2vec (Anime Comics Games to vector) s'engage à créer un terrain de jeu qui combine l'ACG et l'apprentissage profond. (Recherche sémantique de texte, recherche d'images par l'image, recherche sémantique d'images, super-résolution d'images, systèmes de recommandation)
Desbordante est un profileur de données hautes performances capable de découvrir de nombreux motifs différents dans les données à l’aide de divers algorithmes. Il permet également d’exécuter des scénarios de nettoyage des données à l’aide de ces algorithmes. Desbordante propose une version console et une application web facile à utiliser.
Foire aux questions
Quel est le dépôt #feature-extraction le plus populaire sur GitHub ?
Le projet #feature-extraction open source le mieux classé sur GitHub est facebookresearch/dinov2, avec 13,560 étoiles. Code et modèles PyTorch pour la méthode d'apprentissage auto-supervisé DINOv2.
Quels langages de programmation sont les plus utilisés dans les dépôts #feature-extraction ?
Parmi les projets #feature-extraction les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, TypeScript.
Comment le classement des dépôts #feature-extraction est-il calculé ?
Nous suivons 45 dépôts open source actifs associés à #feature-extraction (500+ étoiles), totalisant 90,757 étoiles, avec une moyenne de 2,016 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.