#feature-extraction Repositórios
Descubra 45 repositórios ativos de código aberto no GitHub marcados com #feature-extraction, acumulando um total de 90,757 estrelas (uma média de 2,016 por projeto). O líder deste tópico é facebookresearch/dinov2, com 13,560 estrelas.
45 repositórios no total
Código e modelos PyTorch para o método de aprendizado autossupervisionado DINOv2.
SLAM em Tempo Real para Câmeras Monoculares, Estéreo e RGB-D, com Capacidades de Detecção de Loop e Relocalização
Kats, um kit para analisar dados de séries temporais, um framework leve, fácil de usar, generalizável e extensível para realizar análise de séries temporais, desde a compreensão das estatísticas e características chave, detecção de pontos de mudança e anomalias, até a previsão de tendências futuras.
É minha convicção que vocês, estudantes de pós-graduação e candidatos a emprego para quem o livro é primariamente destinado, se beneficiarão com a leitura; contudo, é minha esperança que até mesmo os pesquisadores mais experientes o achem igualmente fascinante.
🔥🔥Biblioteca de Reconhecimento Facial de Alto Desempenho no PaddlePaddle e PyTorch🔥🔥
Towhee é uma estrutura dedicada a tornar os pipelines de processamento de dados neurais simples e rápidos.
Um framework multiplataforma de estruturação de vídeo (análise de vídeo) baseado em modelos de CV e mLLM.
Um serviço de ranqueamento personalizado de Machine Learning (ML) com low code para artigos, listagens, resultados de pesquisa e recomendações, que impulsiona o engajamento do usuário. Um motor Learn-to-Rank amigável.
Biblioteca Python de código aberto para engenharia e seleção de recursos compatível com sklearn.
OpenMLDB é um banco de dados de aprendizado de máquina de código aberto que fornece uma plataforma de recursos computando recursos consistentes para treinamento e inferência.
As ações de Deep Learning e Machine Learning representam oportunidades promissoras tanto para investidores de longo prazo quanto para traders de curto prazo.
Código oficial para "FeatUp: A Model-Agnostic Frameworkfor Features at Any Resolution" ICLR 2024
Pacote Python de código aberto para a extração de recursos de Radiômica de imagens 2D e 3D e máscaras binárias. Suporte: https://discourse.slicer.org/c/community/radiomics
ProtTrans está fornecendo modelos de linguagem pré-treinados de última geração para proteínas. ProtTrans foi treinado em milhares de GPUs do Summit e centenas de TPUs do Google usando Modelos Transformers.
MALLET é um pacote baseado em Java para processamento estatístico de linguagem natural, classificação de documentos, agrupamento, modelagem de tópicos, extração de informação e outras aplicações de aprendizado de máquina em texto.
:speech_balloon: SpeechPy - Uma Biblioteca para Processamento e Reconhecimento de Fala: http://speechpy.readthedocs.io/en/latest/
O Extrator de Características Multimídia de Grande Escala e Código Aberto de Munique
Do Grosso ao Fino: Localização Hierárquica Robusta em Grande Escala com HF-Net (https://arxiv.org/abs/1812.03506)
KISS-Matcher: Registro Rápido, Robusto e Escalável + Exemplos de SLAM ROS2
Aplicativo de Reconhecimento Facial; Detecção de Vida Facial; Detecção Facial; Alinhamento Facial; Identificação Facial && Verificação Facial && Comparação Facial; Correspondência Facial; Rastreamento Facial; Expressão Facial && Anti Spoofing Facial; Atributo Facial && Idade Facial; Transferência Facial; Anti-Spoofing Facial; Recuperação Facial; reconhecimento facial
[CVPR 2022] Código oficial para "RegionCLIP: Pré-treinamento de Linguagem-Imagem Baseado em Região"
A engenharia de recursos é o processo de usar o conhecimento do domínio para extrair recursos de dados brutos por meio de técnicas de mineração de dados. Esses recursos podem ser usados para melhorar o desempenho de algoritmos de aprendizado de máquina. A engenharia de recursos pode ser considerada como aprendizado de máquina aplicado em si.
Características geométricas totalmente convolucionais: características 3D rápidas e precisas para registro e correspondência.
SiLK (Simple Learned Keypoint) é um modelo de pontos-chave de aprendizado profundo auto-supervisionado.
Use estratégias avançadas de engenharia de recursos e selecione os melhores recursos do seu conjunto de dados com uma única linha de código. Criado por Ram Seshadri. Colaboradores são bem-vindos.
Repositório do conjunto de dados Ego4d. Baixe o conjunto de dados, visualize, extraia recursos e exemplo de uso do conjunto de dados
Extraia recursos de vídeo de vídeos brutos usando várias GPUs. Suportamos quadros de fluxo RAFT, bem como modelos S3D, I3D, R(2+1)D, VGGish, CLIP e TIMM.
ACG2vec (Anime Comics Games para vetor) está empenhado em criar uma plataforma que combine ACG e Deep Learning. (Recuperação semântica de texto, busca por imagem, busca semântica de imagem, super-resolução de imagem, sistemas de recomendação)
Desbordante é um perfilador de dados de alto desempenho capaz de descobrir muitos padrões diferentes nos dados usando vários algoritmos. Ele também permite executar cenários de limpeza de dados utilizando esses algoritmos. O Desbordante possui uma versão para console e uma aplicação web fácil de usar.
Perguntas Frequentes
Qual é o repositório de #feature-extraction mais popular no GitHub?
O projeto de código aberto de #feature-extraction mais bem classificado no GitHub é facebookresearch/dinov2, com 13,560 estrelas. Código e modelos PyTorch para o método de aprendizado autossupervisionado DINOv2.
Quais linguagens de programação são mais usadas nos repositórios de #feature-extraction?
Entre os projetos de #feature-extraction mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, C++, TypeScript.
Como é calculada a classificação dos repositórios de #feature-extraction?
Acompanhamos 45 repositórios ativos de código aberto marcados com #feature-extraction (com mais de 500 estrelas), totalizando 90,757 estrelas e uma média de 2,016 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.