#self-supervised-learning Repositorios
Descubre 75 repositorios activos de código abierto de GitHub etiquetados con #self-supervised-learning, que acumulan 155,433 estrellas en total (una media de 2,072 estrellas por proyecto). El líder de este tema es jindongwang/transferlearning, con 14,330 estrellas.
75 repositorios en total
Aprendizaje por transferencia / Adaptación de dominio / Generalización de dominio / Aprendizaje multitarea etc. Artículos, códigos, conjuntos de datos, aplicaciones, tutoriales. - Aprendizaje por transferencia
Código y modelos de PyTorch para el método de aprendizaje autosupervisado DINOv2.
Kit de herramientas de voz fácil de usar que incluye modelo de aprendizaje auto-supervisado, ASR en streaming/SOTA con puntuación, TTS en streaming con frontend de texto, sistema de verificación de hablante, traducción de voz de extremo a extremo y detección de palabras clave. Ganó el premio al Mejor Demo de NAACL2022.
PySlowFast: base de código de comprensión de video de FAIR para reproducir modelos de video de vanguardia.
Entrena y evalúa embeddings para búsquedas por similitud con PyTorch. Incluye pérdidas contrastivas, minería de ejemplos difíciles, muestreadores y métricas de recuperación.
Código y modelos de PyTorch para el aprendizaje autosupervisado de video VJEPA2.
Código y modelos PyTorch para el aprendizaje auto-supervisado V-JEPA a partir de video.
Una biblioteca de Python para el aprendizaje autosupervisado y los modelos de mundo latentes aplicados a imágenes.
Kit de herramientas de preentrenamiento auto-supervisado de voz y aprendizaje de representaciones
Una implementación oficial de PatchTST: "A Time Series is Worth 64 Words: Long-term Forecasting with Transformers." (ICLR 2023) https://arxiv.org/abs/2211.14730
El repositorio oficial para [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" y [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation"
Implementación utilizable de "Bootstrap Your Own Latent" de aprendizaje autosupervisado, de Deepmind, en Pytorch
Entrenamiento todo en uno para modelos de visión (YOLO, ViTs, RT-DETR, DINOv3): preentrenamiento, ajuste fino, destilación.
Artículos sobre preentrenamiento y aprendizaje autosupervisado en redes neuronales de grafos (GNN).
solo-learn: una biblioteca de métodos auto-supervisados para el aprendizaje de representaciones visuales impulsada por Pytorch Lightning
[CVPR 2025] Fast3R: Reconstrucción 3D rápida de más de 1000 imágenes en un solo pase hacia adelante
Código para el artículo de TKDE "Aprendizaje auto-supervisado en grafos: ¿Contrastivo, generativo o predictivo?"
Crea, entrena, optimiza y ejecuta modelos de visión por computadora localmente, desde imágenes sin procesar hasta inferencia en tiempo real. De código abierto y optimizado para Intel® XPU (también compatible con CUDA).
[ICLR'23 Spotlight🔥] El primer pre-entrenamiento exitoso al estilo BERT/MAE en cualquier red neuronal convolucional; Implementación en Pytorch de "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
Una lista completa de impresionantes artículos de aprendizaje autocontrolado contrastivo.
Plataforma de Biocomputación con Aprendizaje de Representación a Gran Escala y Aprendizaje Profundo Multi-Tarea: el conjunto de herramientas de biocomputación “Propeller”
Lanzamiento de código para "Cut and Learn for Unsupervised Object Detection and Instance Segmentation" y "VideoCutLER: Surprisingly Simple Unsupervised Video Instance Segmentation"
[ECCV2024] VideoMamba: Modelo de espacio de estados para una comprensión de vídeo eficiente
[IEEE T-KDE 2026] Awesome Deep Graph Clustering es una colección de métodos de clustering de grafos profundos (SOTA) e innovadores (artículos, códigos y conjuntos de datos).
[ECCV'2024] Agrupación Gaussiana para la reconstrucción, segmentación y edición de Anything en mundo abierto.
Una colección de literatura posterior o concurrente a Masked Autoencoder (MAE) (Kaiming He et al.).
DIPY es la biblioteca paradigmática de imagenología médica 3D/4D+ en Python. Contiene métodos genéricos para normalización espacial, procesamiento de señales, aprendizaje automático, análisis estadístico y visualización de imágenes médicas. Además, contiene métodos especializados para anatomía computacional, incluyendo imagen por difusión, perfusión e imagen estructural.
Un marco universal para el aprendizaje de la representación de series temporales
[Premio al Joven Científico de MICCAI 2019] [Premio al Mejor Artículo de MedIA] Models Genesis: preentrenamiento autosupervisado para imágenes médicas 3D. Aprende representaciones transferibles a partir de volúmenes de TC y RM sin etiquetar, y luego realiza un ajuste fino para tareas posteriores de segmentación y clasificación. Incluye pesos para Keras y PyTorch.
[CVPR'25 Highlight] Repositorio oficial de Sonata: Aprendizaje autosupervisado de representaciones de puntos fiables
[CVPR 2023] VideoMAE V2: Escalando Autoencoders Enmascarados de Vídeo con Doble Enmascaramiento
Entrena autónomamente LLM de agentes de investigación sobre datos personalizados utilizando aprendizaje por refuerzo y autoverificación.
[CVPR 2022] Pre-entrenamiento de Transformers de Nubes de Puntos 3D con Modelado de Puntos Enmascarados
Preguntas frecuentes
¿Cuál es el repositorio de #self-supervised-learning más popular en GitHub?
El proyecto de código abierto de #self-supervised-learning mejor posicionado en GitHub es jindongwang/transferlearning, con 14,330 estrellas. Aprendizaje por transferencia / Adaptación de dominio / Generalización de dominio / Aprendizaje multitarea etc. Artículos, códigos, conjuntos de datos, aplicaciones, tutoriales. - Aprendizaje por transferencia
¿Qué lenguajes de programación se utilizan más en los repositorios de #self-supervised-learning?
Entre los proyectos de #self-supervised-learning mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, Shell, HTML.
¿Cómo se calcula la clasificación de los repositorios de #self-supervised-learning?
Seguimos 75 repositorios activos de código abierto etiquetados con #self-supervised-learning (500+ estrellas), que suman un total de 155,433 estrellas, con una media de 2,072 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.