convolutional-neural-networks

Ein hochwertiger Echtzeit-Upscaler für Anime-Videos

🤖 GPU-beschleunigte neuronale Netze in JavaScript für Browser und Node.js

PyTorch-Implementierung des U-Net für semantische Bildsegmentierung mit hochauflösenden Bildern

Techniken für Deep Learning mit Satelliten- und Luftbildern

Best Practices, Codebeispiele und Dokumentation für Computer Vision.

T81-558: Keras – Anwendungen von Deep Neural Networks an der Washington University in St. Louis

Ich bin überzeugt, dass Studierende im Aufbaustudium und Arbeitssuchende, für die dieses Buch in erster Linie gedacht ist, von der Lektüre profitieren werden; ich hoffe jedoch, dass es selbst erfahrensten Forschern faszinierend erscheinen wird.

Effiziente KI-Backbones einschließlich GhostNet, TNT und MLP, entwickelt vom Huawei Noah's Ark Lab.

Notizen, Programmieraufgaben und Tests aus allen Kursen der Coursera Deep Learning Specialization von deeplearning.ai: (i) Neural Networks and Deep Learning; (ii) Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization; (iii) Structuring Machine Learning Projects; (iv) Convolutional Neural Networks; (v) Sequence Models

Eine umfassende Liste von Deep Learning-, Künstliche Intelligenz- und Machine Learning-Tutorials – schnell expandierend in Bereiche wie KI, Deep Learning, Maschinelles Sehen, NLP und branchenspezifische Bereiche wie Klima, Energie, Automobil, Einzelhandel, Pharma, Medizin, Gesundheitswesen, Politik, Ethik und mehr.

🧠💬 Artikel, die ich über maschinelles Lernen geschrieben habe, archiviert von MachineCurve.com.

Codebeispiele für neue APIs von iOS 10.

Minkowski Engine ist eine Auto-Diff-Bibliothek für neuronale Netze für hochdimensionale spärliche Tensoren.

Einfache und umfassende Tutorials zu TensorFlow

Hocheffiziente Gleitkomma-Inferenzoperatoren für neuronale Netze für Mobilgeräte, Server und das Web

Erlernen Sie die wesentlichen Fähigkeiten zur Erkennung und Lösung komplexer realer Probleme mit Machine Learning und Deep Learning mithilfe des beliebten Python-Machine-Learning-Ökosystems.

Computer-Vision-Bibliothek für die Mensch-Computer-Interaktion. Sie implementiert Kopfhaltungs- und Blickrichtungs-Schätzung mittels Convolutional Neural Networks, Hauterkennung durch Backprojection, Bewegungserkennung und -verfolgung sowie Saliency Maps.

Algorithmen zur Textklassifikation: Eine Übersicht

Die 200 beliebtesten Deep-Learning-GitHub-Repositories sortiert nach Sternen

Faltungsneuronales Netz für 3D-Meshes in PyTorch

Software und vortrainierte Modelle zur automatischen Verbesserung der Fotoqualität mittels Deep Convolutional Networks

pip install antialiased-cnns zur Verbesserung von Stabilität und Genauigkeit

Bayesianisches Faltungs-Neuronales Netz mit Variational Inference basierend auf Bayes by Backprop in PyTorch.

Eine kuratierte Liste der besten Ressourcen für Künstliche Intelligenz

CNN-Bildwiederfindung in PyTorch: Training und Evaluierung von CNNs zur Bildwiederfindung in PyTorch

PointCNN: Faltung auf X-transformierten Punkten (NeurIPS 2018)

[ICLR'23 Spotlight🔥] Das erste erfolgreiche BERT/MAE-artige Vortraining für beliebige neuronale Faltungsnetze; PyTorch-Impl. von „Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling“

Echtzeit-Schätzung der menschlichen Kopfhaltung mit ONNXRuntime und OpenCV.

Echtzeit-Emotionserkennung

Eine leichtgewichtige, Header-only-Bibliothek zur Verwendung von Keras- (TensorFlow-) Modellen in C++.