#feature-extraction Repository
Scopri 45 repository GitHub open source attivi contrassegnati con #feature-extraction, che raccolgono un totale di 90,757 stelle (con una media di 2,016 stelle per progetto). Il progetto leader di questo argomento è facebookresearch/dinov2, con 13,560 stelle.
45 repository in totale
Codice e modelli PyTorch per il metodo di apprendimento auto-supervisionato DINOv2.
SLAM in Tempo Reale per Telecamere Monoculari, Stereo e RGB-D, con Capacità di Rilevamento Loop e Relocalizzazione
Kats, un pacchetto per analizzare dati di serie temporali, un framework leggero, facile da usare, generalizzabile ed estendibile per eseguire analisi di serie temporali, dalla comprensione delle statistiche e caratteristiche chiave, al rilevamento di punti di cambiamento e anomalie, fino alla previsione di tendenze future.
È mia convinzione che voi, studenti laureati e persone in cerca di lavoro per cui il libro è principalmente destinato, ne trarrete beneficio; tuttavia, spero che anche i ricercatori più esperti lo troveranno affascinante.
🔥🔥Libreria di Riconoscimento Facciale ad Alta Prestazioni su PaddlePaddle & PyTorch🔥🔥
Towhee è un framework dedicato a rendere le pipeline di elaborazione dei dati neurali semplici e veloci.
Un framework multipiattaforma per la strutturazione video (analisi video) basato su modelli CV e mLLM.
Un servizio di machine learning low-code per il ranking personalizzato di articoli, annunci, risultati di ricerca, raccomandazioni che aumenta il coinvolgimento degli utenti. Un motore Learn-to-Rank amichevole
Libreria Python open-source per l'ingegnerizzazione e la selezione delle feature compatibile con sklearn.
OpenMLDB è un database open-source per il machine learning che fornisce una piattaforma di feature per il calcolo di feature coerenti per addestramento e inferenza.
Le azioni di Deep Learning e Machine Learning rappresentano opportunità promettenti sia per investitori e trader a lungo termine che a breve termine.
Codice ufficiale per "FeatUp: Un framework agnostico rispetto al modello per caratteristiche a qualsiasi risoluzione" ICLR 2024
Pacchetto Python open-source per l'estrazione di caratteristiche Radiomics da immagini 2D e 3D e maschere binarie. Supporto: https://discourse.slicer.org/c/community/radiomics
ProtTrans fornisce modelli linguistici pre-addestrati all'avanguardia per le proteine. ProtTrans è stato addestrato su migliaia di GPU da Summit e centinaia di TPU Google utilizzando modelli Transformer.
MALLET è un pacchetto basato su Java per l'elaborazione statistica del linguaggio naturale, la classificazione di documenti, il clustering, il topic modeling, l'estrazione di informazioni e altre applicazioni di machine learning per il testo.
:speech_balloon: SpeechPy - Una libreria per l'elaborazione e il riconoscimento della voce: http://speechpy.readthedocs.io/en/latest/
L'estrattore di caratteristiche multimediali su larga scala open-source di Monaco
Dal Grossolano al Finemente: Localizzazione Gerarchica Robusta su Larga Scala con HF-Net (https://arxiv.org/abs/1812.03506)
KISS-Matcher: Registrazione veloce, robusta e scalabile + esempi SLAM ROS2
App di Riconoscimento Facciale; Rilevamento Vivacità Facciale; Rilevamento Facciale; Allineamento Facciale; Identificazione Facciale && Verifica Facciale && Confronto Facciale; Corrispondenza Facciale; Tracciamento Facciale; Espressione Facciale && Anti Spoofing Facciale; Attributo Facciale && Età Facciale; Trasferimento Facciale; Anti-Spoofing Facciale; Recupero Facciale; riconoscimento facciale
Codice ufficiale per "RegionCLIP: Region-based Language-Image Pretraining" [CVPR 2022]
Un framework universale per l'apprendimento della rappresentazione di serie temporali
L'ingegneria delle feature è il processo di utilizzo della conoscenza del dominio per estrarre feature dai dati grezzi tramite tecniche di data mining. Queste feature possono essere utilizzate per migliorare le prestazioni degli algoritmi di machine learning. L'ingegneria delle feature può essere considerata come il machine learning applicato in sé.
Caratteristiche geometriche completamente convoluzionali: caratteristiche 3D rapide e precise per registrazione e corrispondenza.
SiLK (Simple Learned Keypoint) è un modello di keypoint basato sul deep learning auto-supervisionato.
Utilizza strategie avanzate di feature engineering e seleziona le migliori feature dal tuo set di dati con una singola riga di codice. Creato da Ram Seshadri. Collaboratori benvenuti.
Repository del dataset Ego4d. Scarica il dataset, visualizza, estrai le feature e esempio di utilizzo del dataset
Estrai le caratteristiche video da video grezzi utilizzando più GPU. Supportiamo frame di flusso RAFT, nonché modelli S3D, I3D, R(2+1)D, VGGish, CLIP e TIMM.
ACG2vec (Anime Comics Games to vector) si impegna a creare un playground che combina ACG e apprendimento profondo. (Ricerca semantica di testo, ricerca per immagini, ricerca semantica di immagini, super-risoluzione di immagini, sistemi di raccomandazione)
Desbordante è un profiler di dati ad alte prestazioni, in grado di scoprire molti modelli diversi nei dati utilizzando vari algoritmi. Consente inoltre di eseguire scenari di pulizia dei dati tramite questi algoritmi. Desbordante dispone di una versione per console e di un’applicazione web facile da usare.
Domande frequenti
Qual è il repository #feature-extraction più popolare su GitHub?
Il progetto open source #feature-extraction più alto in classifica su GitHub è facebookresearch/dinov2, con 13,560 stelle. Codice e modelli PyTorch per il metodo di apprendimento auto-supervisionato DINOv2.
Quali linguaggi di programmazione sono più utilizzati nei repository #feature-extraction?
Tra i progetti #feature-extraction più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, TypeScript.
Come viene calcolata la classifica dei repository #feature-extraction?
Monitoriamo 45 repository open source attivi contrassegnati con #feature-extraction (500+ stelle), per un totale di 90,757 stelle e una media di 2,016 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.