#deep-learning Репозитории
Всего репозиториев: 2,273
Официальная реализация статьи CVPR 2022 "Neural RGB-D Surface Reconstruction"
Полный жизненный цикл проекта по науке о данных
Официальный код для "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Реализация/Руководство по использованию методов автоматизированного машинного обучения (AutoML) для статического/пакетного и онлайн/непрерывного обучения
Дресс-код: Высокоразрешающая виртуальная примерка по множеству категорий. ECCV 2022
Список ресурсов для сопоставления/регистрации наборов точек, собранных Gang Wang
[CVPR2024] Код для «SAM-6D: Сегментационная модель «Segment Anything» встречает нулевую оценку позы объекта 6D».
Официальная реализация "Blended Latent Diffusion" [SIGGRAPH 2023]
[ECCV2024] Это официальный код вывода для статьи «Glyph-ByT5: Пользовательский текстовый кодировщик для точного визуального рендеринга текста» и «Glyph-ByT5-v2: Сильная эстетическая основа для точного многоязычного визуального рендеринга текста»"
Официальная реализация кода Vary-toy (Малая языковая модель встречает усиленный визуальный словарь)
[CVPR 2025, TPAMI 2026] UniScene: Унифицированная генерация сцен вождения с акцентом на занятость
Минимальная реализация масштабируемых трансформеров с выпрямленным потоком, основанная на подходе SD3
Tensorflow Faster R-CNN для Windows/Linux и Python 3 (3.5/3.6/3.7)
Официальная реализация "FitDiT: Улучшение аутентичных деталей одежды для высококачественной виртуальной примерки"
TransMorph: Трансформер для неконтролируемой регистрации медицинских изображений (PyTorch)
В этом репозитории собраны некоторые коды, инкапсулирующие общепринятые алгоритмы в области машинного обучения. Большинство из них основаны на Numpy, Pandas или Torch. Вы можете углубить свое понимание связанных моделей и алгоритмов или изменить их, чтобы получить индивидуальный код, принадлежащий вам, обратившись к этому репозиторию.
:fire: Используйте предобученные модели в PyTorch для извлечения векторных встраиваний для любого изображения
Слайды об ИИ, заметки по статьям, конспекты занятий, записи в блогах и обзоры исследований.
Кураторский список ресурсов по мультимодальному обучению с подкреплением (постоянно обновляется)
Этот репозиторий содержит коды для LipGAN. LipGAN был опубликован как часть статьи под названием "Towards Automatic Face-to-Face Translation".
Новый метод взаимодействия человека для извлечения речи в реальном времени на наушниках.
Простые и модульные детекторы, трекеры и SAM для компьютерного зрения - Запустите YOLOv9,v8,v7,v6,v5,R,X менее чем за 10 строк кода.
Реализация 1D, 2D и 3D позиционного кодирования в Pytorch и TensorFlow
🎉 PILOT: Инструментарий для непрерывного обучения на основе предварительно обученных моделей
Пакет Python для выполнения сопоставления сущностей и текста с использованием глубокого обучения.
Самая чистая библиотека AutoML в мире ✨ - Выполняйте настройку гиперпараметров с правильными абстракциями конвейера для написания чистых конвейеров производства глубокого обучения. Позвольте шагам вашего конвейера иметь пространства гиперпараметров. Проектируйте шаги в вашем конвейере как компоненты. Совместима с Scikit-Learn, TensorFlow и большинством других библиотек, фреймворков и сред MLOps.
🔥3D обнаружение объектов по облаку точек и семантическая сегментация (глубокое обучение) - SOTA методы, код, статьи, наборы данных и т. д.
Записки к курсу Машинное обучение (Machine Learning) 2021 Spring профессора Ли Хонг-Ии Университета Тайвань (NTU)
TorchNPU — ключевой компонент сообщества Huawei Ascend для PyTorch, адаптерный плагин для глубокого обучения, разработанный Ascend для PyTorch. Он позволяет фреймворку PyTorch напрямую обращаться к NPU Ascend и предоставляет разработчикам мощные вычислительные возможности ИИ-процессоров Ascend.
Извлечение событий на основе юридических судебных документов и их применение, включая токенизацию данных, разметку частей речи, распознавание именованных сущностей, извлечение элементов событий и прогнозирование результатов приговора и т. д.
dddmr_navigation — это решение для 3D-навигации мобильных роботов, включающее картографирование, локализацию, восприятие, планирование пути, контроллер и стек навигации.
Подмножество модулей нейронных сетей PyTorch, написанных на Python с использованием Triton от OpenAI.