CV pretrained model
Initial Release
โมเดลที่ผ่านการฝึกอบรมมาก่อนเป็นแบบจำลองที่สร้างขึ้นโดยคนอื่นเพื่อแก้ปัญหาที่คล้ายกัน แทนที่จะสร้างแบบจำลองตั้งแต่เริ่มต้นเพื่อแก้ปัญหาที่คล้ายกันเราสามารถใช้โมเดลที่ผ่านการฝึกอบรมเกี่ยวกับปัญหาอื่นเป็นจุดเริ่มต้น โมเดลที่ผ่านการฝึกอบรมมาก่อนอาจไม่แม่นยำ 100% ในแอปพลิเคชันของคุณ
ตัวอย่างเช่นหากคุณต้องการสร้างรถเรียนรู้ด้วยตนเอง คุณสามารถใช้เวลาหลายปีในการสร้างอัลกอริทึมการจดจำภาพที่ดีตั้งแต่เริ่มต้นหรือคุณสามารถใช้รูปแบบการลงทะเบียนเรียน (โมเดลที่ผ่านการฝึกอบรมมาก่อน) จาก Google ซึ่งสร้างขึ้นบนข้อมูล Imagenet เพื่อระบุภาพในรูปภาพเหล่านั้น
คุณสามารถดูการสร้างภาพข้อมูลของสถาปัตยกรรมเครือข่ายของแต่ละรุ่นโดยใช้ Netron
| ชื่อนางแบบ | คำอธิบาย | กรอบ | ใบอนุญาต |
|---|---|---|---|
| การตรวจสอบวัตถุ | การแปลและการระบุวัตถุหลายชิ้นในภาพเดียว | Tensorflow | ใบอนุญาต Apache |
| หน้ากาก r-cnn | โมเดลสร้างกล่องขอบเขตและมาสก์เซกเมนต์สำหรับแต่ละอินสแตนซ์ของวัตถุในภาพ มันขึ้นอยู่กับฟีเจอร์ Pyramid Network (FPN) และ Backbone ResNet101 | Tensorflow | ใบอนุญาต MIT (MIT) |
| เร็วขึ้น | นี่คือการใช้งาน TensorFlow ทดลองของ RCNN ที่เร็วขึ้น - Convnet สำหรับการตรวจจับวัตถุด้วยเครือข่ายข้อเสนอภูมิภาค | Tensorflow | ใบอนุญาต MIT |
| Yolo Tensorflow | นี่คือการใช้ TensorFlow ของ YOLO: การตรวจจับวัตถุแบบเรียลไทม์ | Tensorflow | กำหนดเอง |
| Yolo Tensorflow ++ | การใช้งาน TensorFlow ของ 'YOLO: การตรวจจับวัตถุแบบเรียลไทม์' พร้อมการฝึกอบรมและการสนับสนุนจริงสำหรับการทำงานบนอุปกรณ์มือถือแบบเรียลไทม์ | Tensorflow | ใบอนุญาตสาธารณะ GNU ทั่วไป |
| Mobilenet | Mobilenets แลกเปลี่ยนระหว่างเวลาแฝงขนาดและความแม่นยำในขณะที่เปรียบเทียบกับโมเดลยอดนิยมจากวรรณกรรม | Tensorflow | ใบอนุญาต MIT (MIT) |
| Deeplab | การติดฉลากลึกสำหรับการแบ่งส่วนภาพความหมาย | Tensorflow | ใบอนุญาต Apache |
| โคลอร์นเน็ต | เครือข่ายประสาทเพื่อระบายสีภาพสีเทา | Tensorflow | ไม่พบ |
| srgan | ภาพความจริงที่มีความสมจริงด้วยภาพถ่ายความละเอียดสูงโดยใช้เครือข่ายฝ่ายตรงข้ามกำเนิด | Tensorflow | ไม่พบ |
| Deeposm | Train Tensorflow Neural Nets พร้อมคุณสมบัติ OpenStreetMap และภาพดาวเทียม | Tensorflow | ใบอนุญาต MIT (MIT) |
| เครือข่ายการถ่ายโอนโดเมน | การใช้งานการสร้างภาพข้ามโดเมนที่ไม่ได้รับการดูแล | Tensorflow | ใบอนุญาต MIT |
| แสดงเข้าร่วมและบอก | เครื่องกำเนิดภาพคำบรรยายภาพตามความสนใจ | Tensorflow | ใบอนุญาต MIT |
| Android-Yolo | การตรวจจับวัตถุแบบเรียลไทม์บน Android โดยใช้เครือข่าย YOLO ขับเคลื่อนโดย TensorFlow | Tensorflow | ใบอนุญาต Apache |
| DCSCN Super Resolution | นี่คือการใช้งาน tensorflow ของ "ความละเอียดที่รวดเร็วและแม่นยำ Super Super Resolution โดย Deep CNN ด้วยการเชื่อมต่อข้ามและเครือข่ายในเครือข่าย" ซึ่งเป็นโมเดล Single-Image Super-Resolution (SISR) | Tensorflow | ไม่พบ |
| Gan-cls | นี่คือการใช้งาน TensorFlow ทดลองของภาพสังเคราะห์ | Tensorflow | ไม่พบ |
| u-net | สำหรับการแบ่งส่วนเนื้องอกในสมอง | Tensorflow | ไม่พบ |
| ปรับปรุง Cyclegan | ภาพที่ไม่ได้จับคู่กับการแปลภาพ | Tensorflow | ใบอนุญาต MIT |
| im2txt | เครือข่ายประสาทเท่ากับข้อความสำหรับคำบรรยายภาพ | Tensorflow | ใบอนุญาต Apache |
| บาง | รูปแบบการจำแนกรูปภาพใน TF-SLIM | Tensorflow | ใบอนุญาต Apache |
| เดลฟ์ | คุณสมบัติท้องถิ่นลึกสำหรับการจับคู่รูปภาพและการดึงข้อมูล | Tensorflow | ใบอนุญาต Apache |
| การบีบอัด | การบีบอัดและคลายภาพโดยใช้เครือข่าย GRU ที่ได้รับการฝึกอบรมมาก่อน | Tensorflow | ใบอนุญาต Apache |
| atteratecr | แบบจำลองสำหรับการสกัดข้อความภาพในโลกแห่งความเป็นจริง | Tensorflow | ใบอนุญาต Apache |
| ชื่อนางแบบ | คำอธิบาย | กรอบ | ใบอนุญาต |
|---|---|---|---|
| หน้ากาก r-cnn | โมเดลสร้างกล่องขอบเขตและมาสก์เซกเมนต์สำหรับแต่ละอินสแตนซ์ของวัตถุในภาพ มันขึ้นอยู่กับฟีเจอร์ Pyramid Network (FPN) และ Backbone ResNet101 | Keras | ใบอนุญาต MIT (MIT) |
| VGG16 | เครือข่ายที่ลึกมากสำหรับการจดจำภาพขนาดใหญ่ | Keras | ใบอนุญาต MIT (MIT) |
| VGG19 | เครือข่ายที่ลึกมากสำหรับการจดจำภาพขนาดใหญ่ | Keras | ใบอนุญาต MIT (MIT) |
| resnet | การเรียนรู้ที่เหลืออยู่ลึกสำหรับการจดจำภาพ | Keras | ใบอนุญาต MIT (MIT) |
| resnet50 | การเรียนรู้ที่เหลืออยู่ลึกสำหรับการจดจำภาพ | Keras | ใบอนุญาต MIT (MIT) |
| nasnet | NASNET หมายถึงเครือข่ายการค้นหาสถาปัตยกรรมประสาทซึ่งเป็นตระกูลของโมเดลที่ได้รับการออกแบบโดยอัตโนมัติโดยการเรียนรู้สถาปัตยกรรมแบบจำลองโดยตรงในชุดข้อมูลที่น่าสนใจ | Keras | ใบอนุญาต MIT (MIT) |
| Mobilenet | โมเดล Mobilenet V1 สำหรับ Keras | Keras | ใบอนุญาต MIT (MIT) |
| Mobilenet v2 | โมเดล Mobilenet V2 สำหรับ Keras | Keras | ใบอนุญาต MIT (MIT) |
| Mobilenet v3 | โมเดล Mobilenet V3 สำหรับ Keras | Keras | ใบอนุญาต MIT (MIT) |
| มีประสิทธิภาพ | ทบทวนการปรับขนาดโมเดลสำหรับเครือข่ายประสาทแบบ convolutional | Keras | ใบอนุญาต MIT (MIT) |
| การเปรียบเทียบภาพ | สร้างการเปรียบเทียบภาพโดยใช้การจับคู่ระบบประสาทและการผสม | Keras | ใบอนุญาต MIT (MIT) |
| รูปแบบการแบ่งส่วนภาพยอดนิยม | การใช้งาน SEGNET, FCN, UNET และรุ่นอื่น ๆ ใน KERAS | Keras | ใบอนุญาต MIT |
| การแบ่งส่วนเส้นประสาทอัลตร้าซาวด์ | บทช่วยสอนนี้แสดงวิธีการใช้ห้องสมุด Keras เพื่อสร้างเครือข่ายประสาทลึกสำหรับการแบ่งส่วนเส้นประสาทภาพอัลตร้าซาวด์ | Keras | ใบอนุญาต MIT |
| การแบ่งส่วนวัตถุ DeepMask | นี่คือการใช้ Python ที่ใช้ Keras ของ DeepMask ซึ่งเป็นเครือข่ายประสาทลึกที่ซับซ้อนสำหรับการเรียนรู้มาสก์การแบ่งส่วนวัตถุ | Keras | ไม่พบ |
| คำบรรยายภาพภาษาเดียวและหลายภาษา | นี่คือซอร์สโค้ดที่มาพร้อมกับคำอธิบายภาพหลายภาษาพร้อมรุ่นลำดับประสาท | Keras | ใบอนุญาต BSD-3-Clause |
| Pix2pix | การใช้งาน Keras ของการแปลภาพกับภาพด้วยเครือข่ายที่มีเงื่อนไขโดยฟิลลิปไอล่า, จุน-หยานจุน, Tinghui Zhou, Alexei A. | Keras | ไม่พบ |
| การระบายสีภาพสีสันสดใส | B&W เป็นสี | Keras | ไม่พบ |
| เครื่องปั่นจักรยาน | การใช้งาน การแปลภาพเป็นภาพที่ไม่ได้จับคู่โดยใช้เครือข่ายฝ่ายตรงข้ามที่สอดคล้องกัน | Keras | ใบอนุญาต MIT |
| คู่ | การใช้งานของ Dualgan: การเรียนรู้แบบคู่ที่ไม่ได้รับการดูแลสำหรับการแปลแบบเป็นภาพ | Keras | ใบอนุญาต MIT |
| กาน | การใช้งาน ภาพเดียวที่มีความสมจริงด้วยภาพถ่ายความละเอียดสูงโดยใช้เครือข่ายฝ่ายตรงข้าม | Keras | ใบอนุญาต MIT |
| ชื่อนางแบบ | คำอธิบาย | กรอบ | ใบอนุญาต |
|---|---|---|---|
| Detectron2 | Detectron2 เป็นระบบซอฟต์แวร์รุ่นต่อไปของ Facebook AI Research ที่ใช้อัลกอริทึมการตรวจจับวัตถุที่ทันสมัย | PyTorch | ใบอนุญาต Apache 2.0 |
| FastPhotostyle | โซลูชันแบบปิดสำหรับการจัดแต่งภาพด้วยแสง | PyTorch | Creative Commons Attribution-Noncommercial-Sharealike 4.0 International Public Licens |
| Pytorch-cyclegan-and-pix2pix | โซลูชันแบบปิดสำหรับการจัดแต่งภาพด้วยแสง | PyTorch | ใบอนุญาต BSD |
| เกณฑ์มาตรฐาน Maskrcnn | การดำเนินการอ้างอิงแบบแยกส่วนของการแบ่งส่วนอินสแตนซ์และอัลกอริทึมการตรวจจับวัตถุใน pytorch | PyTorch | ใบอนุญาต MIT |
| ภาพลักษณ์ที่ลึกล้ำ | การฟื้นฟูภาพด้วยเครือข่ายประสาท แต่ไม่มีการเรียนรู้ | PyTorch | ใบอนุญาต Apache 2.0 |
| สตาร์แกน | Stargan: เครือข่าย enderative endicarial สำหรับการแปลภาพหลายโดเมน | PyTorch | ใบอนุญาต MIT |
| เร็วขึ้น rcnn.pytorch | โครงการนี้เป็นการดำเนินการ R-CNN ที่เร็วขึ้นเร็วขึ้นโดยมีวัตถุประสงค์เพื่อเร่งการฝึกอบรมแบบจำลองการตรวจจับวัตถุ R-CNN ที่เร็วขึ้น | PyTorch | ใบอนุญาต MIT |
| PIX2PIXHD | การสังเคราะห์และจัดการภาพ 2048x1024 ด้วย Gans แบบมีเงื่อนไข | PyTorch | ใบอนุญาต BSD |
| เครื่องเพิ่ม | ห้องสมุดเสริมรูปภาพใน Python สำหรับการเรียนรู้ของเครื่อง | PyTorch | ใบอนุญาต MIT |
| อัลบิวชั่น | ห้องสมุดเสริมภาพที่รวดเร็ว | PyTorch | ใบอนุญาต MIT |
| การวิเคราะห์วิดีโอลึก | Deep Video Analytics เป็นแพลตฟอร์มสำหรับการจัดทำดัชนีและการแยกข้อมูลจากวิดีโอและรูปภาพ | PyTorch | กำหนดเอง |
| ความหมายของการแบ่งส่วน | การใช้งาน Pytorch สำหรับการแบ่งส่วนความหมาย/การแยกวิเคราะห์ฉากในชุดข้อมูล MIT ADE20K | PyTorch | ใบอนุญาต BSD 3 ข้อ |
| เครือข่ายประสาทเทรน | ซอฟต์แวร์นี้ใช้เครือข่ายประสาทที่เกิดขึ้นซ้ำ ๆ (CRNN) ซึ่งเป็นการรวมกันของการสูญเสีย CNN, RNN และ CTC สำหรับงานการจดจำลำดับที่อิงกับภาพเช่นการจดจำข้อความฉากและ OCR | PyTorch | ใบอนุญาต MIT (MIT) |
| หน่วย | การใช้งาน Pytorch ของอัลกอริทึม VAE-GAN คู่ของเราสำหรับการแปลภาพกับภาพที่ไม่ได้รับการดูแล | PyTorch | Creative Commons Attribution-Noncommercial-Sharealike 4.0 International Public |
| รูปแบบการติดฉลากลำดับประสาท | โมเดลการติดฉลากลำดับค่อนข้างเป็นที่นิยมในงาน NLP จำนวนมากเช่นการจดจำเอนทิตีที่มีชื่อ (NER) การติดแท็กส่วนหนึ่ง (POS) และการแบ่งส่วนคำ | PyTorch | ใบอนุญาต Apache |
| rcnn เร็วขึ้น | นี่คือการใช้งาน Pytorch ของ RCNN ที่เร็วขึ้น โครงการนี้ส่วนใหญ่ขึ้นอยู่กับ py-rcnn และ tffrcnn สำหรับรายละเอียดเกี่ยวกับ R-CNN โปรดดูที่กระดาษที่เร็วขึ้น R-CNN: ไปสู่การตรวจจับวัตถุแบบเรียลไทม์กับเครือข่ายข้อเสนอภูมิภาคโดย Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun | PyTorch | ใบอนุญาต MIT |
| Pytorch-semantic-segmentation | Pytorch สำหรับการแบ่งส่วนความหมาย | PyTorch | ใบอนุญาต MIT |
| Edsr-Pytorch | Pytorch เวอร์ชันของกระดาษ 'ปรับปรุงเครือข่ายที่เหลือลึกสำหรับภาพเดียวความละเอียดสูง' | PyTorch | ใบอนุญาต MIT |
| ภาพคลาสสิก | คอลเลกชันของโมเดลการจำแนกประเภท pretrained บน imagenet-1k | PyTorch | ใบอนุญาต MIT |
| Fadernetworks | เครือข่ายเฟดเดอร์: จัดการรูปภาพโดยการเลื่อนแอตทริบิวต์ - NIPS 2017 | PyTorch | Creative Commons Attribution-Noncommercial 4.0 International Public License |
| NeuralTalk2-Pytorch | รูปแบบคำบรรยายภาพใน pytorch (cnn finetunable ในสาขา with_finetune) | PyTorch | ใบอนุญาต MIT |
| Randwirenn | การใช้งาน: "สำรวจเครือข่ายประสาทแบบมีสายแบบสุ่มสำหรับการจดจำภาพ" | PyTorch | ไม่พบ |
| stackgan-v2 | การใช้งาน Pytorch สำหรับการทำซ้ำ stackgan_v2 ส่งผลในกระดาษ stackgan ++ | PyTorch | ใบอนุญาต MIT |
| แบบจำลอง detectron สำหรับการตรวจจับวัตถุ | รหัสนี้ช่วยให้สามารถใช้โมเดล Detectron สำหรับการตรวจจับวัตถุจากการวิจัย Facebook AI กับ Pytorch | PyTorch | ใบอนุญาต Apache |
| dextr-pytorch | บทความนี้สำรวจการใช้จุดสุดขีดในวัตถุ (ซ้ายสุด, ขวาสุด, พิกเซลด้านบน, ด้านล่าง) เป็นอินพุตเพื่อให้ได้การแบ่งส่วนวัตถุที่แม่นยำสำหรับภาพและวิดีโอ | PyTorch | ใบอนุญาตสาธารณะ GNU ทั่วไป |
| pointnet.pytorch | การใช้งาน Pytorch สำหรับ "PointNet: การเรียนรู้ลึกเกี่ยวกับชุดจุดสำหรับการจำแนกประเภท 3D และการแบ่งส่วน | PyTorch | ใบอนุญาต MIT |
| critical.pytorch | พื้นที่เก็บข้อมูลนี้รวมถึงการฝึกอบรมลำดับที่สำคัญอย่างไม่เป็นทางการสำหรับการฝึกลำดับภาพสำหรับคำบรรยายภาพและความสนใจจากล่างขึ้นบนและจากบนลงล่างสำหรับคำบรรยายภาพและการตอบคำถามด้วยภาพ | PyTorch | ใบอนุญาต MIT |
| vnet.pytorch | การใช้งาน Pytorch สำหรับ V-NET: เครือข่ายประสาทแบบ convolutional อย่างเต็มที่สำหรับการแบ่งส่วนภาพการแพทย์เชิงปริมาตร | PyTorch | ใบอนุญาต BSD 3 ข้อ |
| piwise | การแบ่งส่วนพิกเซลที่ชาญฉลาดในชุดข้อมูล VOC2012 โดยใช้ pytorch | PyTorch | ใบอนุญาต BSD 3 ข้อ |
| PSPNET-PYTORCH | การใช้งาน Pytorch ของเครือข่ายการแบ่งส่วน PSPNET | PyTorch | ไม่พบ |
| Pytorch-srresnet | การใช้งาน Pytorch สำหรับภาพเดียวที่มีความสมจริงด้วยภาพความละเอียดสูงโดยใช้เครือข่ายฝ่ายตรงข้ามกำเนิด | PyTorch | ใบอนุญาต MIT (MIT) |
| pnasnet.pytorch | การใช้ Pytorch ของ PNASNET-5 บน Imagenet | PyTorch | ใบอนุญาต Apache |
| img_classification_pk_pytorch | เปรียบเทียบแบบจำลองการจำแนกรูปภาพของคุณอย่างรวดเร็วกับรุ่นที่ทันสมัย | PyTorch | ไม่พบ |
| เครือข่ายประสาทลึกถูกหลอกได้ง่าย | การทำนายความมั่นใจสูงสำหรับภาพที่ไม่สามารถจดจำได้ | PyTorch | ใบอนุญาต MIT |
| PIX2PIX-PYTORCH | การใช้งาน Pytorch ของ "การแปลแบบเป็นภาพโดยใช้เครือข่ายฝ่ายตรงข้ามแบบมีเงื่อนไข" | PyTorch | ไม่พบ |
| nvidia/semantic-segmentation | การใช้งาน pytorch ของการปรับปรุงการแบ่งส่วนความหมายผ่านการแพร่กระจายวิดีโอและการผ่อนคลายฉลากใน CVPR2019 | PyTorch | ใบอนุญาต CC BY-NC-SA 4.0 |
| การประเมินภาพประสาท | การใช้งานการประเมินภาพประสาท | PyTorch | ไม่พบ |
| TorchxrayVision | แบบจำลองก่อนหน้าสำหรับการทำนายพยาธิวิทยาของ X-ray (CXR) การแพทย์, การดูแลสุขภาพ, รังสีวิทยา | PyTorch | ใบอนุญาต Apache |
| Pytorch-Image-Models | โมเดลภาพ Pytorch, สคริปต์, น้ำหนักที่ได้รับการปรับแต่ง-(SE) Resnet/Resnext, DPN, EfficientNet, MixNet, Mobilenet-V3/V2, MNASNET, NAS แบบพา ธ เดี่ยว, FBNET และอื่น ๆ | PyTorch | ใบอนุญาต Apache 2.0 |
| ชื่อนางแบบ | คำอธิบาย | กรอบ | ใบอนุญาต |
|---|---|---|---|
| เปิดโล่ง | OpenPose แสดงถึงระบบหลายคนแบบเรียลไทม์ครั้งแรกเพื่อตรวจจับการร่วมกันของร่างกายมนุษย์มือและจุดแป้นพิมพ์บนใบหน้า (ทั้งหมด 130 จุด) ในภาพเดียว | Caffe | กำหนดเอง |
| เครือข่าย convolutional อย่างเต็มที่สำหรับการแบ่งส่วนความหมาย | โมเดลแบบ convolutional อย่างเต็มที่สำหรับการแบ่งส่วนความหมาย | Caffe | ไม่พบ |
| การระบายสีภาพสีสันสดใส | การกำหนดสีของภาพที่มีสีสัน | Caffe | ใบอนุญาต BSD-2-clause |
| R-FCN | R-FCN: การตรวจจับวัตถุผ่านเครือข่ายที่มีพื้นฐานจากภูมิภาค | Caffe | ใบอนุญาต MIT |
| cnn-vis | ได้รับแรงบันดาลใจจากการโพสต์บล็อก Inceptionism ล่าสุดของ Google CNN-VIS เป็นเครื่องมือโอเพนซอร์ซที่ให้คุณใช้เครือข่ายประสาทแบบ Convolutional เพื่อสร้างภาพ | Caffe | ใบอนุญาต MIT (MIT) |
| deconvnet | การเรียนรู้เครือข่าย Deconvolution สำหรับการแบ่งส่วนความหมาย | Caffe | กำหนดเอง |
| ชื่อนางแบบ | คำอธิบาย | กรอบ | ใบอนุญาต |
|---|---|---|---|
| rcnn เร็วขึ้น | เครือข่ายข้อเสนอภูมิภาคแก้การตรวจจับวัตถุเป็นปัญหาการถดถอย | MXNet | ใบอนุญาต Apache เวอร์ชัน 2.0 |
| SSD | SSD เป็นเฟรมเวิร์กแบบครบวงจรสำหรับการตรวจจับวัตถุด้วยเครือข่ายเดียว | MXNet | ใบอนุญาต MIT |
| การสูญเสีย RCNN+โฟกัสเร็วขึ้น | รหัสเป็นเวอร์ชันที่ไม่เป็นทางการสำหรับการสูญเสียโฟกัสสำหรับการตรวจจับวัตถุหนาแน่น | MXNet | ไม่พบ |
| CNN-LSTM-CTC | ฉันรู้สามรุ่นที่แตกต่างกันสำหรับการจดจำข้อความและทั้งหมดนี้ประกอบด้วยเลเยอร์การสูญเสีย CTC เพื่อให้ไม่ได้รับการแบ่งส่วนสำหรับภาพข้อความ | MXNet | ไม่พบ |
| faster_rcnn_for_dota | นี่คือ repo อย่างเป็นทางการของ Paper Dota: ชุดข้อมูลขนาดใหญ่สำหรับการตรวจจับวัตถุในภาพทางอากาศ | MXNet | ใบอนุญาต Apache |
| เรตินัน | การสูญเสียโฟกัสสำหรับการตรวจจับวัตถุหนาแน่น | MXNet | ไม่พบ |
| mobilenetv2 | นี่คือการใช้งาน MXNET ของสถาปัตยกรรม Mobilenetv2 ตามที่อธิบายไว้ในกระดาษ ที่อยู่กลับด้านและคอขวดเชิงเส้น: เครือข่ายมือถือสำหรับการจำแนกการตรวจจับและการแบ่งส่วน | MXNet | ใบอนุญาต Apache |
| การถ่ายทอดเซลล์ประสาท | รหัสนี้เป็นการดำเนินการทดสอบการจำแนกประเภท Imagenet อีกครั้งในกระดาษ เช่นสิ่งที่คุณชอบ: ความรู้กลั่นผ่านการถ่ายโอนการเลือกเซลล์ประสาท | MXNet | ใบอนุญาต Apache |
| mobilenetv2 | นี่คือการใช้งาน Gluon ของสถาปัตยกรรม Mobilenetv2 ตามที่อธิบายไว้ในกระดาษ ที่อยู่กลับด้านและคอขวดเชิงเส้น: เครือข่ายมือถือสำหรับการจำแนกการตรวจจับและการแบ่งส่วน | MXNet | ใบอนุญาต Apache |
| การเลือกโครงสร้างแบบเบาบาง | รหัสนี้เป็นการดำเนินการทดสอบการจำแนกประเภท ImageNet อีกครั้งใน การเลือกโครงสร้างแบบเบาบางที่ขับเคลื่อนด้วยข้อมูลกระดาษสำหรับเครือข่ายประสาทลึก | MXNet | ใบอนุญาต Apache |
| FastPhotostyle | โซลูชันแบบปิดสำหรับการจัดแต่งภาพด้วยแสง | MXNet | Creative Commons Attribution-Noncommercial-Sharealike 4.0 International Public |
การมีส่วนร่วมของคุณยินดีต้อนรับเสมอ !! โปรดดูที่ contributing.md
ใบอนุญาต MIT
