#feature-extraction Репозитории
Откройте для себя 45 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #feature-extraction, с общим числом 90,757 звёзд (в среднем 2,016 на проект). Лидером этой темы является facebookresearch/dinov2, набравший 13,560 звёзд.
Всего репозиториев: 45
SLAM в реальном времени для моноокулярных, стерео- и RGB-D камер с возможностями обнаружения петель и релокализации
Kats, набор инструментов для анализа временных рядов, легковесная, простая в использовании, обобщаемая и расширяемая платформа для выполнения анализа временных рядов, от понимания ключевой статистики и характеристик, обнаружения точек изменения и аномалий до прогнозирования будущих тенденций.
Я считаю, что вы, аспиранты и соискатели, для которых эта книга в первую очередь предназначена, получите пользу от ее прочтения; однако я надеюсь, что даже самые опытные исследователи найдут ее увлекательной.
🔥🔥Библиотека распознавания лиц высокой производительности на PaddlePaddle & PyTorch🔥🔥
Towhee — это фреймворк, предназначенный для создания простых и быстрых конвейеров обработки нейронных данных.
Кроссплатформенный фреймворк для структурирования видео (анализа видео) на основе моделей CV и mLLM.
Сервис машинного обучения с низким уровнем кода для персонализированного ранжирования статей, листингов, результатов поиска, рекомендаций, который повышает вовлеченность пользователей. Дружелюбный движок Learn-to-Rank
Библиотека Python с открытым исходным кодом для инжиниринга и выбора признаков, совместимая с sklearn.
OpenMLDB — это база данных машинного обучения с открытым исходным кодом, которая предоставляет платформу для признаков, вычисляющую согласованные признаки для обучения и инференса.
Акции в области глубокого обучения и машинного обучения представляют собой перспективные возможности как для долгосрочных, так и для краткосрочных инвесторов и трейдеров.
Официальный код для "FeatUp: Модельно-независимая структура для признаков любого разрешения" ICLR 2024
Открытый пакет Python для извлечения признаков Radiomics из 2D- и 3D-изображений и бинарных масок. Поддержка: https://discourse.slicer.org/c/community/radiomics
ProtTrans предоставляет передовые предобученные языковые модели для белков. ProtTrans обучался на тысячах GPU от Summit и сотнях Google TPU с использованием моделей Transformers.
MALLET — это Java-пакет для статистической обработки естественного языка, классификации документов, кластеризации, тематического моделирования, извлечения информации и других приложений машинного обучения для текста.
:speech_balloon: SpeechPy - Библиотека для обработки и распознавания речи: http://speechpy.readthedocs.io/en/latest/
Мюнхенский крупномасштабный экстрактор мультимедийных признаков с открытым исходным кодом
От грубого к точному: Надежная иерархическая локализация в большом масштабе с HF-Net (https://arxiv.org/abs/1812.03506)
KISS-Matcher: Быстрая, надежная и масштабируемая регистрация + примеры SLAM ROS2
Приложение распознавания лиц; Обнаружение живости лица; Обнаружение лица; Выравнивание лица; Идентификация лица && Верификация лица && Сравнение лиц; Сопоставление лиц; Отслеживание лица; Выражение лица && Анти-спуфинг лица; Атрибут лица && Возраст лица; Перенос лица; Анти-спуфинг лица; Поиск лица; распознавание лиц
Официальный код к "RegionCLIP: Region-based Language-Image Pretraining" [CVPR 2022]
Инженерия признаков — это процесс использования знаний в предметной области для извлечения признаков из необработанных данных с помощью методов интеллектуального анализа данных. Эти признаки можно использовать для улучшения производительности алгоритмов машинного обучения. Инженерия признаков можно рассматривать как прикладное машинное обучение само по себе.
Полностью сверточные геометрические признаки: быстрые и точные 3D-признаки для регистрации и сопоставления.
SiLK (Simple Learned Keypoint) — это модель ключевых точек глубокого обучения с самообучением.
Используйте продвинутые стратегии инжиниринга признаков и выбирайте лучшие признаки из вашего набора данных одной строкой кода. Создано Рамом Сешадри. Приглашаем к сотрудничеству.
Репозиторий набора данных Ego4d. Загрузите набор данных, визуализируйте, извлеките признаки и пример использования набора данных
Извлекайте видеопризнаки из необработанных видео с помощью нескольких графических процессоров. Мы поддерживаем потоковые кадры RAFT, а также модели S3D, I3D, R(2+1)D, VGGish, CLIP и TIMM.
ACG2vec (Anime Comics Games to vector) стремится создать игровую площадку, объединяющую ACG и глубокое обучение. (Семантический поиск по тексту, поиск изображений по изображению, семантический поиск изображений, сверхвысокое разрешение изображений, рекомендательные системы)
Desbordante — это высокопроизводительный профилировщик данных, способный обнаруживать множество различных закономерностей в данных с помощью различных алгоритмов. Он также позволяет запускать сценарии очистки данных с использованием этих алгоритмов. Desbordante доступен в виде консольной версии и простого в использовании веб-приложения.
Часто задаваемые вопросы
Какой репозиторий по теме #feature-extraction наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #feature-extraction на GitHub — facebookresearch/dinov2, набравший 13,560 звёзд. Код и модели PyTorch для метода самообучения DINOv2.
Какие языки программирования чаще всего используются в репозиториях по теме #feature-extraction?
Среди наиболее высоко оценённых проектов по теме #feature-extraction на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, C++, TypeScript.
Как рассчитывается рейтинг репозиториев по теме #feature-extraction?
Мы отслеживаем 45 активных репозиториев с открытым исходным кодом, отмеченных тегом #feature-extraction (500 и более звёзд), с общим числом 90,757 звёзд и в среднем 2,016 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.