cnn

[ICLR'23 Spotlight] El primer preentrenamiento exitoso estilo BERT/MAE en cualquier red convolucional; implementación en PyTorch de "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling".

Redes convolucionales deformables v2 con PyTorch

Reconocimiento de fórmulas matemáticas versión mejorada: fórmulas manuscritas e impresas en chino e inglés, con soporte para deducción de símbolos básicos (estructura de datos basada en el árbol de sintaxis abstracta de LaTeX).

Notas de lectura sobre Deep Learning y Machine Learning

Implementación en Keras de "One pixel attack for fooling deep neural networks" utilizando evolución diferencial en Cifar10 e ImageNet.

Diagramas para visualizar la arquitectura de redes neuronales.

Una librería de Deep Learning para la clasificación de tareas (señales) de EEG, basada en TensorFlow.

Implementación no oficial en PyTorch de Conformer: Convolution-augmented Transformer for Speech Recognition (INTERSPEECH 2020).

UNetFormer: Un transformer de tipo UNet para la segmentación semántica eficiente de imágenes de escenas urbanas de teledetección (ISPRS). También incluye otros vision transformers y CNN para la segmentación de imágenes de satélite, aéreas y de drones.

Bolt es una biblioteca de aprendizaje profundo con alto rendimiento y flexibilidad heterogénea.

Este proyecto extiende la idea de la arquitectura innovadora de Kolmogorov-Arnold Networks (KAN) a las capas convolucionales, cambiando la transformación lineal clásica de la convolución por activaciones no lineales aprendibles en cada píxel.

D2-Net: Una CNN entrenable para la descripción y detección conjunta de características locales.

LLVIP: un conjunto de datos emparejados de luz visible e infrarroja para visión en condiciones de baja iluminación

Clasificación de texto multietiqueta, clasificación multietiqueta, clasificación de texto, multi-label, classifier, text classification, BERT, seq2seq, attention, multi-label-classification

Cuadernos de ejercicios para CVND

Resumen de contenidos sobre arquitectura de computadoras, fundamentos de sistemas embebidos y lenguajes de programación principales.

Un modelo de aprendizaje profundo rápido para escalar videos de baja resolución a alta resolución a 30 fps

Un motor de navegación visual basado en aprendizaje profundo para permitir la navegación autónoma de cuadricópteros de bolsillo, ejecutándose en PULP.

Un benchmark de clasificación de texto en PyTorch.

Notas del curso Machine Learning 2021 Spring del profesor Hung-yi Lee de la Universidad Nacional de Taiwán (NTU)

Clasificación de descripciones de delitos de San Francisco de Kaggle en 39 categorías. Modelo construido con CNN, RNN (GRU y LSTM) y Word Embeddings en Tensorflow.

LCNN: Análisis de estructuras alámbricas de extremo a extremo.

El primer modelo de reconocimiento y extracción de estilo de fuentes CJK (chino, japonés, coreano) para YuzuMarker

Implementación en PyTorch de una red neuronal recurrente convolucional de difusión.

Análisis de sentimiento, clasificación de texto, diccionarios, Bayes, sentiment analysis, TextCNN, classification, tensorflow, BERT, CNN, text classification.

Notas sobre sistemas de aprendizaje profundo, incluyendo fundamentos matemáticos, componentes de redes neuronales, estrategias de entrenamiento y algoritmos de compresión de modelos.