Awesome GitHub RepositoriesConvolutional Neural Networks (CNNs)

This project is a library of pretrained computer vision architectures and backbones for image classification and feature extraction. It serves as a comprehensive model zoo and collection of standardized image encoders, including ResNet, Vision Transformers, and EfficientNet, for use in visual analysis and as backbones for object detection and image segmentation. The library provides a framework for distributed training and evaluation of image models using advanced data augmentation and optimization scripts. It includes a dedicated toolset for converting trained PyTorch vision models into the

Il s'agit d'une boîte à outils de visualisation CNN PyTorch conçue pour l'interprétabilité des réseaux de neurones. Elle fournit un ensemble d'outils pour expliquer les décisions des modèles et analyser le comportement interne des réseaux de neurones convolutifs par la visualisation des activations, des gradients et des filtres. Le projet implémente des techniques spécialisées pour synthétiser des images représentatives, y compris des optimisations Deep Dream pour amplifier les motifs et la génération d'images spécifiques à une classe via l'optimisation des entrées. Il dispose également d'un générateur de cartes de saillance qui produit des cartes thermiques basées sur le gradient pour identifier les régions d'image spécifiques influençant un résultat de classification. La boîte à outils couvre des capacités plus larges pour l'analyse de couches, telles que la reconstruction de représentations d'entrée à partir d'activations internes et la visualisation des filtres de réseau. Elle inclut des méthodes pour la visualisation des gradients et des techniques de réduction du bruit pour améliorer la clarté des cartes de saillance.

Ce projet est un framework de détection d'objets PyTorch qui implémente l'architecture Faster R-CNN. Il sert de modèle de vision pour prédire des boîtes englobantes précises autour de multiples objets dans des images et des flux vidéo en direct. Le système est optimisé pour l'entraînement multi-GPU afin de réduire le temps requis pour la convergence du modèle. Il utilise une conception accélérée par GPU pour gérer l'entraînement et l'inférence de réseaux de détection complexes. Le framework couvre le cycle de vie complet de la détection d'objets, y compris l'entraînement de réseaux personnalisés et l'inférence pour les images statiques et les flux vidéo en temps réel. Il inclut des capacités pour la validation des performances du modèle en utilisant des jeux de données standardisés, ainsi que des optimisations d'entraînement telles que le regroupement basé sur le rapport d'aspect et les charges de travail distribuées.

This is a PyTorch-based training pipeline designed for reproducible image classification benchmarking on the CIFAR-10 dataset. It integrates GPU-accelerated computation, data augmentation, learning rate scheduling, and checkpointing to produce consistent accuracy measurements across multiple ResNet architectures. The project distinguishes itself by providing a fixed-architecture benchmark suite that trains a predefined set of ResNet variants, from ResNet18 through ResNet152, on CIFAR-10. It implements a step-based learning rate decay schedule at predetermined epochs to stabilize convergence,

This repo is used to research convolutional networks primarily for computer vision tasks. For this purpose, the repo contains (re)implementations of various classification, segmentation, detection, and pose estimation models and scripts for training/evaluating/converting.

Base pretrained models and datasets in pytorch (MNIST, SVHN, CIFAR10, CIFAR100, STL10, AlexNet, VGG16, VGG19, ResNet, Inception, SqueezeNet)

Convolutional Recurrent Neural Network

Faster RCNN with PyTorch

MeshCNN is a general-purpose deep neural network for 3D triangular meshes, which can be used for tasks such as 3D shape classification or segmentation. This framework includes convolution, pooling and unpooling layers which are applied directly on the mesh edges.

A memory-efficient implementation of DenseNets

Improving Convolutional Networks via Attention Transfer (ICLR 2017)

Dilated Residual Networks

an implementation of Video Frame Interpolation via Adaptive Separable Convolution using PyTorch

PyTorch implementation of Deformable Convolution

A PyTorch implementation of DenseNet.

Training Very Deep Neural Networks Without Skip-Connections

PyTorch and Tensorflow functional model definitions

PyTorch code for the "Deep Neural Networks with Box Convolutions" paper

PyTorch implementation of Deformable Convolution

Wide Residual Networks (WideResNets) in PyTorch