#deep-learning Репозитории
Всего репозиториев: 2,273
Modern Time Series Forecasting with Python, издательство Packt
Глубокие и традиционные статьи, реализации, наборы данных и инструменты для обнаружения сообществ.
[NeurIPS 2021] Переосмысление пространственно-временных сетей с улучшенным покрытием памяти для эффективной сегментации объектов на видео
Модель на основе SAM для сегментации экземпляров изображений зерна
[WSDM'2024 Oral] "SSLRec: Фреймворк самообучения с подкреплением для рекомендаций"
Официальная реализация SynthTIGER (Synthetic Text Image Generator), ICDAR 2021
Распределение-осведомленное представление координат для оценки человеческой позы
Резюме, Код для квантования глубоких нейронных сетей
Курируемый список образовательных ресурсов по науке о данных для освоения основных навыков науки о данных
Vector Hub – Библиотека для простого обнаружения и использования передовых моделей для преобразования данных в векторы (text2vec, image2vec, video2vec, graph2vec, bert, inception и т. д.)
PraNet: Параллельная сеть обратного внимания для сегментации полипов, MICCAI 2020 (Oral). Доступен код, использующий фреймворк Jittor.
Куратированный список ресурсов по искусственному интеллекту (Курсы, Инструменты, Приложения, Проекты с открытым исходным кодом)
Крупномасштабный мультимодальный набор данных о автомобилях с симуляциями вычислительной гидродинамики и эталонами глубокого обучения
Многовидовое сопоставление с использованием глубокого обучения и разработанных вручную локальных признаков для COLMAP и другого программного обеспечения SfM. Поддерживает форматы высокого разрешения и изображения с поворотами. Поддерживаются как CLI, так и GUI.
Улучшенная реализация AnimateAnyone, позволяющая использовать последовательность изображений "opse" и эталонное изображение для создания стилизованных видео.
Реализация нашей статьи "CLRNet: Cross Layer Refinement Network for Lane Detection" (Принято на CVPR2022) на Pytorch.
[ICLR 2025 Spotlight] Vision-RWKV: Эффективное и масштабируемое визуальное восприятие с архитектурами типа RWKV
Релиз кода для «Нестационарные трансформеры: Исследование стационарности при прогнозировании временных рядов» (NeurIPS 2022), https://arxiv.org/abs/2205.14415
Практическое машинное обучение с C++, опубликовано Packt
Реализация PyTorch байесовской нейронной сети [torchbnn]
Запись недавних статей, связанных с 1) задачами компьютерного зрения низкого уровня, такими как улучшение сверхвысокого разрешения изображений/видео; 2) генерацией изображений, в основном DL-методами после 2018 года.
Файл '笔和线段的一种划分.py', достаточно ввести данные high и low K-линий, чтобы автоматически реализовать разделение на штрихи, линейные сегменты, ядро, точки покупки и продажи, типы тренда. Можно использовать sh.csv как входной файл. Резюме см. pdf. Сила времени. Кто-то говорит, что выбор времени очень сложен, кто-то говорит, что выбор акций прост, кто-то говорит, что IT-инфраструктура для статистического арбитража очень важна. А кто-то говорит, что в системе есть неизмеримые принципы. Мнения расходятся. Распределенная система, когда твое влияние можно игнорировать, только тогда ты можешь это реализовать, как сказал председатель Цзян: тихо разбогатеть. В первую неделю рынок упал на 1 %, заработал десять тысяч, 5 % прибыли. #Акции #ФондовыйРынок #ChanLun https://v.kuaishou.com/bFEl6M Скопируйте это сообщение и откройте 【Kwai】 для просмотра!
Унифицированный интерфейс для алгоритмов оптимизации и экспериментов
Решения упражнений "Dive into Deep Learning". Адрес для онлайн-чтения:
Ваше руководство по математике, используемой в искусственном интеллекте, без лишних слов
Этот репозиторий содержит список литературы по сегментации временных рядов. Этот репозиторий постоянно совершенствуется.
CRSLab — это набор инструментов с открытым исходным кодом для создания диалоговых рекомендательных систем (CRS).
Supervisely SDK для Python - удобный способ автоматизировать, настраивать и расширять платформу Supervisely для вашей задачи компьютерного зрения
Этот репозиторий предназначен для всех энтузиастов ИИ, которые действительно любят читать книги и учиться.
Физически обоснованное моделирование шума для экстремальной съемки при очень слабом освещении (CVPR 2020 Oral & TPAMI 2021)
[Information Fusion (Vol.103, Mar. '24)] Улучшение Image Matting с использованием предварительно обученных обычных Vision Transformers
Официальный код для «Deep Unrestricted Document Image Rectification», TMM, 2023.
Happy Transformer упрощает тонкую настройку и выполнение вывода с моделями Transformer NLP.
[AAAI' 25] U-KAN создает прочную основу для сегментации и генерации медицинских изображений
PLUTO: Расширение границ планирования на основе имитационного обучения для автономного вождения