#feature-extraction 仓库
探索 45 个标记为 #feature-extraction 的活跃开源 GitHub 仓库,它们累计获得 90,757 个 Star(平均每个项目 2,016 个)。该主题的领先项目是 facebookresearch/dinov2,拥有 13,560 个 Star。
共 45 个仓库
Kats,一个用于分析时间序列数据的工具包,是一个轻量级、易于使用、可泛化且可扩展的框架,用于执行时间序列分析,从理解关键统计数据和特征,到检测变化点和异常值,再到预测未来趋势。
ICLR 2024 "FeatUp: A Model-Agnostic Frameworkfor Features at Any Resolution" 官方代码
用于从 2D 和 3D 图像以及二进制掩码中提取 Radiomics 特征的开源 Python 包。支持:https://discourse.slicer.org/c/community/radiomics
ProtTrans 正在为蛋白质提供最先进的预训练语言模型。 ProtTrans 使用 Transformers 模型在 Summit 的数千个 GPU 和数百个 Google TPU 上进行了训练。
:speech_balloon: SpeechPy - 用于语音处理和识别的库:http://speechpy.readthedocs.io/en/latest/
人脸识别应用;活体检测;人脸检测;人脸对齐;人脸识别 && 人脸验证 && 人脸对比;人脸匹配;人脸跟踪;人脸表情 && 人脸防伪;人脸属性 && 人脸年龄;人脸迁移;人脸防伪;人脸检索;人脸识别
特征工程是使用领域知识通过数据挖掘技术从原始数据中提取特征的过程。这些特征可以用来提高机器学习算法的性能。特征工程可以被视为应用机器学习本身。
使用多個 GPU 從原始影片中提取影片特徵。我們支援 RAFT 光流畫面以及 S3D、I3D、R(2+1)D、VGGish、CLIP 和 TIMM 模型。
ACG2vec (Anime Comics Games to vector) 致力于打造一个结合ACG与深度学习的游乐场。(文本语义检索、以图搜图、语义搜图、图片超分辨率、推荐系统)
Desbordante 是一款高性能数据分析工具,能够利用各种算法发现数据中的多种模式。它还支持使用这些算法运行数据清洗场景。Desbordante 提供控制台版本和易于使用的 Web 应用程序。
常见问题解答
GitHub 上最受欢迎的 #feature-extraction 仓库是什么?
GitHub 上排名第一的开源 #feature-extraction 项目是 facebookresearch/dinov2,拥有 13,560 个 Star。DINOv2 自监督学习方法的 PyTorch 代码和模型。
#feature-extraction 仓库中最常使用的编程语言有哪些?
在 GitHub 上排名靠前的 #feature-extraction 项目中,最常见的编程语言是 Python, Jupyter Notebook, C++, TypeScript。
#feature-extraction 仓库的排名是如何计算的?
我们跟踪了 45 个标记为 #feature-extraction 且拥有 500+ 个 Star 的活跃开源仓库,共计获得 90,757 个 Star,平均每个仓库拥有 2,016 个 Star。排名每日根据 GitHub API 更新。