🗣 Leveraging In-the-Wild Data for Effective Self-Supervised Pretraining in Speaker Recognition

Продвинутый инструментарий и набор данных для задач распознавания говорящего.

pip3 install wespeakerruntime

🖥 Github: https://github.com/wenet-e2e/wespeaker

📕 Paper: https://arxiv.org/abs/2309.11730v1

⏩ Demo: https://huggingface.co/spaces/wenet/wespeaker_demo

⭐️ Dataset: https://paperswithcode.com/dataset/wenetspeech

ai_machinelearning_big_data

🔎Detect Every Thing with Few Examples

DE-ViT surpasses the few-shot SoTA by 15 mAP on 10-shot and 7.2 mAP on 30-shot and one-shot SoTA by 2.8 AP50.

Высокоточный детектор объектов, который в отличие от популярного подхода с открытым словарем, описывает каждую категорию объектов не языком, а несколькими опорными изображениями. DE-ViT демонстрирует новые достижения в области обнаружения объектов с открытым словарем, несколькими снимками и одним снимком в сравнении с COCO и LVIS .

git clone https://github.com/mlzxy/devit.git

🖥 Github: https://github.com/mlzxy/devit

📕 Paper: https://arxiv.org/abs/2309.12969v1

⭐️ Dataset: https://paperswithcode.com/dataset/mscoco

ai_machinelearning_big_data

🎓 BayesDLL: Bayesian Deep Learning Library

New Bayesian neural network library for PyTorch for large-scale deep network

Новая библиотека байесовских нейронных сетей для PyTorch, предназначенную для работы с крупномасштабными глубокими сетями.

В библиотеке реализованы основные алгоритмы приближенного байесовского вывода: вариационный вывод, MC-dropout, стохастически-градиентный MCMC и аппроксимация Лапласа.

Основные отличия от других существующих библиотек байесовских нейронных сетей заключаются в следующем:

1) библиотека может работать с очень крупными моделями, в том числе с Vision Transformers
2) Практически не требует от пользователей модификации кода .
3)Позволяет использовать предварительно обученные веса модели в качестве средних значений, что полезно для проведения байесовских вычислений в крупномасштабных моделях типа ViTs, которые трудно оптимизировать с нуля на основе одних только исходных данных.

🖥 Github: https://github.com/samsunglabs/bayesdll

📕 Paper: https://arxiv.org/abs/2309.12928v1

⭐️ Dataset: https://paperswithcode.com/dataset/oxford-102-flower

ai_machinelearning_big_data

⭐️Scenimefy: Learning to Craft Anime Scene via Semi-Supervised Image-to-Image Translation

Фреймворк для автоматической высококачественной генерации аниме-сцен из изображений реального мира.

git clone https://github.com/Yuxinn-J/Scenimefy.git

🖥 Github: https://github.com/Yuxinn-J/Scenimefy/tree/main

☑️ Demo: https://huggingface.co/spaces/YuxinJ/Scenimefy

📕 Paper: https://arxiv.org/abs/2308.12968

⏩Project: https://yuxinn-j.github.io/projects/Scenimefy.html

⭐️ Dataset: https://github.com/Yuxinn-J/Scenimefy/tree/main#open_file_folder-anime-scene-dataset

ai_machinelearning_big_data

➕ fastMONAI: A low-code deep learning library for medical image analysis

Simplifying deep learning for medical imaging.

fastMONAI упрощает использование современных методов глубокого обучения в анализе трехмерных медицинских изображений для решения задач классификации, регрессии и сегментации. fastMONAI предоставляет пользователям функциональные возможности для поэтапной загрузки данных, предварительной обработки, обучения и интерпретации результатов.

git clone https://github.com/MMIV-ML/fastMONAI

🖥 Github: https://github.com/MMIV-ML/fastMONAI

Project: https://fastmonai.no

📕 Paper: https://www.sciencedirect.com/science/article/pii/S2665963823001203

🖥 Colab: https://colab.research.google.com/github/MMIV-ML/fastMONAI/blob/master/nbs/10a_tutorial_classification.ipynb

ai_machinelearning_big_data