#self-supervised-learning Dépôts
Découvrez 75 dépôts GitHub open source actifs associés à #self-supervised-learning, cumulant 155,433 étoiles au total (soit une moyenne de 2,072 étoiles par projet). Le projet en tête de ce thème est jindongwang/transferlearning, avec 14,330 étoiles.
75 dépôts au total
Apprentissage par transfert / Adaptation de domaine / Généralisation de domaine / Apprentissage multi-tâches etc. Articles, codes, ensembles de données, applications, tutoriels. - Apprentissage par transfert
Code et modèles PyTorch pour la méthode d'apprentissage auto-supervisé DINOv2.
Kit d'outils vocal facile à utiliser incluant un modèle d'apprentissage auto-supervisé, ASR SOTA/Streaming avec ponctuation, TTS Streaming avec frontend texte, système de vérification du locuteur, traduction vocale de bout en bout et détection de mots-clés. Lauréat du Best Demo Award NAACL2022.
PySlowFast : codebase de compréhension vidéo de FAIR pour reproduire les modèles vidéo de pointe.
Entraînez et évaluez des embeddings pour la recherche par similarité avec PyTorch. Inclut des pertes contrastives, l’extraction d’exemples difficiles, des échantillonneurs et des métriques de recherche.
Code et modèles PyTorch pour l'apprentissage autorégressif VJEPA2 à partir de vidéos.
Code et modèles PyTorch pour l'apprentissage auto-supervisé V-JEPA à partir de vidéos.
Une bibliothèque Python pour l’apprentissage auto-supervisé et les modèles de monde latents appliqués aux images.
Kit d'outils pour le pré-entraînement auto-supervisé de la parole et l'apprentissage de représentations
Une implémentation officielle de PatchTST : "A Time Series is Worth 64 Words: Long-term Forecasting with Transformers." (ICLR 2023) https://arxiv.org/abs/2211.14730
Le dépôt officiel pour [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" et [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation"
Implémentation utilisable de l'auto-apprentissage supervisé "Bootstrap Your Own Latent" de Deepmind en Pytorch
Entraînement tout-en-un pour les modèles de vision (YOLO, ViTs, RT-DETR, DINOv3) : pré-entraînement, fine-tuning, distillation.
Articles sur le pré-entraînement et l'apprentissage auto-supervisé sur les réseaux de neurones graphiques (GNN).
solo-learn : une bibliothèque de méthodes auto-supervisées pour l'apprentissage de représentations visuelles, alimentée par Pytorch Lightning
[CVPR 2025] Fast3R : Reconstruction 3D rapide de plus de 1000 images en une seule passe avant
Code pour l'article TKDE « Apprentissage auto-supervisé sur les graphes : Contrastif, génératif ou prédictif »
Créez, entraînez, optimisez et exécutez des modèles de vision par ordinateur en local, des images brutes à l’inférence en temps réel. Open source, optimisé pour Intel® XPU (CUDA est également pris en charge).
[ICLR'23 Spotlight🔥] Le premier pré-entraînement réussi de style BERT/MAE sur n'importe quel réseau de convolution ; Impl. Pytorch de "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
Une liste complète d'articles remarquables sur l'apprentissage auto-supervisé contrastif.
OpenSTL : Une référence complète pour l'apprentissage prédictif spatio-temporel
Plateforme de Bio-informatique intégrant l'apprentissage de représentation à grande échelle et l'apprentissage profond multi-tâches : l'ensemble d'outils de bio-informatique « Propeller »
Publication du code pour "Cut and Learn for Unsupervised Object Detection and Instance Segmentation" et "VideoCutLER: Surprisingly Simple Unsupervised Video Instance Segmentation"
[ECCV2024] VideoMamba : Modèle d'espace d'état pour une compréhension vidéo efficace
[IEEE T-KDE 2026] Awesome Deep Graph Clustering est une collection de méthodes de clustering de graphes profonds (SOTA), innovantes (articles, codes et jeux de données).
[ECCV'2024] Gaussian Grouping pour la reconstruction, la segmentation et l'édition d'objets ouverts de Anything.
Une collection de littérature après ou simultanée à Masked Autoencoder (MAE) (Kaiming He et al.).
DIPY est la bibliothèque exemplaire d'imagerie médicale 3D/4D+ en Python. Elle contient des méthodes génériques pour la normalisation spatiale, le traitement du signal, l'apprentissage automatique, l'analyse statistique et la visualisation d'images médicales. De plus, elle contient des méthodes spécialisées pour l'anatomie computationnelle, incluant l'imagerie par diffusion, la perfusion et l'imagerie structurale.
Un framework universel d'apprentissage de la représentation des séries chronologiques
[Prix du jeune scientifique de MICCAI 2019] [Prix du meilleur article de MedIA] Models Genesis : pré-entraînement auto-supervisé pour les images médicales 3D. Apprend des représentations transférables à partir de volumes de TDM et d’IRM non annotés, puis effectue un affinage pour les tâches en aval de segmentation et de classification. Poids Keras et PyTorch inclus.
[CVPR'25 Highlight] Dépôt officiel de Sonata : Apprentissage auto-supervisé de représentations de points fiables
[CVPR 2023] VideoMAE V2 : Mise à l'échelle des autoencodeurs masqués vidéo avec double masquage
Entraîner de manière autonome des LLM d'agents de recherche sur des données personnalisées en utilisant l'apprentissage par renforcement et l'auto-vérification.
[CVPR 2022] Pré-entraînement de Transformers de Nuages de Points 3D avec Modélisation Masquée de Points
Foire aux questions
Quel est le dépôt #self-supervised-learning le plus populaire sur GitHub ?
Le projet #self-supervised-learning open source le mieux classé sur GitHub est jindongwang/transferlearning, avec 14,330 étoiles. Apprentissage par transfert / Adaptation de domaine / Généralisation de domaine / Apprentissage multi-tâches etc. Articles, codes, ensembles de données, applications, tutoriels. - Apprentissage par transfert
Quels langages de programmation sont les plus utilisés dans les dépôts #self-supervised-learning ?
Parmi les projets #self-supervised-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Shell, HTML.
Comment le classement des dépôts #self-supervised-learning est-il calculé ?
Nous suivons 75 dépôts open source actifs associés à #self-supervised-learning (500+ étoiles), totalisant 155,433 étoiles, avec une moyenne de 2,072 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.