#self-supervised-learning Repositories
Entdecke 75 aktive Open-Source-GitHub-Repositories, die mit #self-supervised-learning getaggt sind und insgesamt 155,433 Sterne gesammelt haben (durchschnittlich 2,072 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist jindongwang/transferlearning mit 14,330 Sternen.
Insgesamt 75 Repositories
Transfer Learning / Domain Adaptation / Domain Generalization / Multi-Task Learning usw. Papers, Codes, Datasets, Anwendungen, Tutorials. - Transfer Learning
PyTorch-Code und Modelle für die DINOv2-Methode des selbstüberwachten Lernens.
Einfaches Sprach-Toolkit mit Self-Supervised-Learning-Modell, SOTA/Streaming-ASR mit Interpunktion, Streaming-TTS mit Text-Frontend, Sprecher-Verifizierungssystem, End-to-End-Sprachübersetzung und Keyword-Spotting. Gewann den NAACL2022 Best Demo Award.
PySlowFast: Video-Verständnis-Codebase von FAIR zur Reproduktion von State-of-the-Art-Video-Modellen.
Trainieren und bewerten Sie Embeddings für die Ähnlichkeitssuche mit PyTorch. Enthält kontrastive Verluste, Hard-Example-Mining, Sampler und Retrieval-Metriken.
PyTorch-Code und Modelle für das selbstüberwachte Lernen aus Videos mit VJEPA2.
Eine Python-Bibliothek für selbstüberwachtes Lernen und latente Weltmodelle für Bilder.
Eine offizielle Implementierung von PatchTST: „Eine Zeitreihe ist 64 Wörter wert: Langzeitvorhersage mit Transformern.“ (ICLR 2023) https://arxiv.org/abs/2211.14730
Das offizielle Repository für [NeurIPS'22] „ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation“ und [TPAMI'23] „ViTPose++: Vision Transformer for Generic Body Pose Estimation“
Nutzbare Implementierung des selbstüberwachten Lernens „Bootstrap Your Own Latent“ von Deepmind in Pytorch
All-in-One-Training für Visionsmodelle (YOLO, ViTs, RT-DETR, DINOv3): Vortraining, Feinabstimmung, Destillation.
Artikel über Vortraining und selbstüberwachtes Lernen auf Graph Neural Networks (GNNs).
solo-learn: eine Bibliothek von selbstüberwachten Methoden für visuelles Repräsentationslernen, angetrieben von Pytorch Lightning
[CVPR 2025] Fast3R: Schnelle 3D-Rekonstruktion von über 1000 Bildern in einem Vorwärtsdurchgang
Code für das TKDE-Papier „Selbstüberwachtes Lernen auf Graphen: Kontrastiv, generativ oder prädiktiv“
Erstellen, trainieren, optimieren und betreiben Sie Computer-Vision-Modelle lokal – von Rohbildern bis zur Live-Inferenz. Open Source und für Intel® XPU optimiert (CUDA wird ebenfalls unterstützt).
[ICLR'23 Spotlight🔥] Die erste erfolgreiche BERT/MAE-Stil-Vortraining auf jedem konvolutionellen Netzwerk; Pytorch-Implementierung von "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
Eine umfassende Liste von großartigen kontrastiven selbstüberwachten Lernpapieren.
OpenSTL: Ein umfassender Benchmark für spatio-temporales vorausschauendes Lernen
Bio-Computing-Plattform mit groß angelegtem Repräsentationslernen und Multi-Task Deep Learning: Das „Propeller“-Bio-Computing-Toolkit
Code-Freigabe für "Cut and Learn for Unsupervised Object Detection and Instance Segmentation" und "VideoCutLER: Surprisingly Simple Unsupervised Video Instance Segmentation"
[IEEE T-KDE 2026] Awesome Deep Graph Clustering ist eine Sammlung von SOTA- und neuartigen Deep-Graph-Clustering-Methoden (Artikel, Codes und Datensätze).
[ECCV'2024] Gauss'sche Gruppierung für offene Rekonstruktion, Segmentierung und Bearbeitung von beliebigen Objekten.
Eine Sammlung von Literatur nach oder gleichzeitig mit Masked Autoencoder (MAE) (Kaiming He et al.).
DIPY ist die beispielhafte 3D/4D+ Medizinische Bildgebungs-Bibliothek in Python. Sie enthält generische Methoden für räumliche Normalisierung, Signalverarbeitung, maschinelles Lernen, statistische Analyse und Visualisierung medizinischer Bilder. Zusätzlich enthält sie spezialisierte Methoden für die computergestützte Anatomie, einschließlich Diffusions-, Perfusions- und struktureller Bildgebung.
[MICCAI-Preis für junge Wissenschaftler 2019] [MedIA-Preis für die beste Publikation] Models Genesis: selbstüberwachtes Vortraining für medizinische 3D-Bilder. Lernt übertragbare Repräsentationen aus nicht annotierten CT- und MRT-Volumendaten und wird anschließend für nachgelagerte Segmentierungs- und Klassifikationsaufgaben feinabgestimmt. Keras- und PyTorch-Gewichte enthalten.
[CVPR'25 Highlight] Offizielles Repository von Sonata: Selbstüberwachtes Lernen von zuverlässigen Punktrepräsentationen
[CVPR 2023] VideoMAE V2: Skalierung von Video Masked Autoencoders mit Dual Masking
Autonomes Trainieren von Forschungs-Agenten-LLMs auf benutzerdefinierten Daten mithilfe von Reinforcement Learning und Selbstverifizierung.
[CVPR 2022] Vortraining von 3D-Punktwolken-Transformatoren mit maskiertem Punktmodellierungsverfahren
Häufig gestellte Fragen
Welches ist das beliebteste #self-supervised-learning-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#self-supervised-learning-Projekt auf GitHub ist jindongwang/transferlearning mit 14,330 Sternen. Transfer Learning / Domain Adaptation / Domain Generalization / Multi-Task Learning usw. Papers, Codes, Datasets, Anwendungen, Tutorials. - Transfer Learning
Welche Programmiersprachen werden in #self-supervised-learning-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #self-supervised-learning-Projekten auf GitHub sind Python, Jupyter Notebook, Shell, HTML die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #self-supervised-learning-Repositories berechnet?
Wir verfolgen 75 aktive Open-Source-Repositories, die mit #self-supervised-learning getaggt sind (500+ Sterne), mit insgesamt 155,433 Sternen und durchschnittlich 2,072 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.