#self-supervised-learning Repository
Scopri 75 repository GitHub open source attivi contrassegnati con #self-supervised-learning, che raccolgono un totale di 155,433 stelle (con una media di 2,072 stelle per progetto). Il progetto leader di questo argomento è jindongwang/transferlearning, con 14,330 stelle.
75 repository in totale
Transfer learning / Adattamento del dominio / Generalizzazione del dominio / Apprendimento multi-task ecc. Articoli, codici, dataset, applicazioni, tutorial. - Transfer learning
Codice e modelli PyTorch per il metodo di apprendimento auto-supervisionato DINOv2.
Toolkit per il riconoscimento vocale facile da usare che include modello di apprendimento auto-supervisionato, ASR SOTA/Streaming con punteggiatura, TTS Streaming con frontend di testo, Sistema di Verifica del Parlante, Traduzione Vocale End-to-End e Rilevamento di Parole Chiave. Ha vinto il Best Demo Award NAACL2022.
PySlowFast: codebase per la comprensione video da FAIR per riprodurre modelli video all'avanguardia.
Addestra e valuta gli embedding per la ricerca per similarità con PyTorch. Include funzioni di perdita contrastive, mining di esempi difficili, sampler e metriche di recupero.
Codice e modelli PyTorch per l'apprendimento auto-supervisionato da video VJEPA2.
Codice e modelli PyTorch per l'apprendimento auto-supervisionato V-JEPA dai video.
Una libreria Python per l’apprendimento auto-supervisionato e i modelli del mondo latenti applicati alle immagini.
Toolkit per il pre-addestramento auto-supervisionato del parlato e l'apprendimento di rappresentazioni
Un'implementazione ufficiale di PatchTST: "A Time Series is Worth 64 Words: Long-term Forecasting with Transformers." (ICLR 2023) https://arxiv.org/abs/2211.14730
Il repository ufficiale per [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" e [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation"
Implementazione utilizzabile dell'apprendimento auto-supervisionato "Bootstrap Your Own Latent" di Deepmind in Pytorch
Addestramento all-in-one per modelli di visione (YOLO, ViTs, RT-DETR, DINOv3): pre-addestramento, fine-tuning, distillazione.
Articoli sul pre-allenamento e sull'apprendimento auto-supervisionato su reti neurali a grafo (GNN).
solo-learn: una libreria di metodi auto-supervisionati per l'apprendimento di rappresentazioni visive, potenziata da Pytorch Lightning
[CVPR 2025] Fast3R: Ricostruzione 3D veloce di oltre 1000 immagini in un singolo passaggio in avanti
Codice per l'articolo TKDE "Apprendimento auto-supervisionato su grafi: Contrastivo, generativo o predittivo"
Crea, addestra, ottimizza ed esegui modelli di computer vision localmente, dalle immagini grezze all’inferenza in tempo reale. Open source e ottimizzato per Intel® XPU (supporta anche CUDA).
[ICLR'23 Spotlight🔥] Il primo pre-training di successo in stile BERT/MAE su qualsiasi rete convoluzionale; Impl. Pytorch di "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
Un elenco completo di fantastici lavori di apprendimento auto-supervisionato contrastivo.
OpenSTL: Un benchmark completo per l'apprendimento predittivo spazio-temporale
Piattaforma di Bio-Computing con apprendimento della rappresentazione su larga scala e deep learning multi-task: il toolkit di bio-computing “Propeller”
Rilascio del codice per "Cut and Learn for Unsupervised Object Detection and Instance Segmentation" e "VideoCutLER: Surprisingly Simple Unsupervised Video Instance Segmentation"
[ECCV2024] VideoMamba: Modello a spazio degli stati per un'efficiente comprensione video
[IEEE T-KDE 2026] Awesome Deep Graph Clustering è una raccolta di metodi di deep graph clustering all'avanguardia (SOTA) e innovativi (articoli, codici e dataset).
[ECCV'2024] Gaussian Grouping per la ricostruzione, segmentazione e modifica di Anything in open-world.
Una raccolta di letteratura successiva o contemporanea a Masked Autoencoder (MAE) (Kaiming He et al.).
DIPY è la biblioteca paradigmatica per l'imaging medico 3D/4D+ in Python. Contiene metodi generici per la normalizzazione spaziale, l'elaborazione del segnale, il machine learning, l'analisi statistica e la visualizzazione di immagini mediche. Inoltre, contiene metodi specializzati per l'anatomia computazionale, inclusa l'imaging a diffusione, perfusione e imaging strutturale.
Un framework universale per l'apprendimento della rappresentazione di serie temporali
[Premio per giovani scienziati MICCAI 2019] [Premio per il miglior articolo MedIA] Models Genesis: pre-addestramento autosupervisionato per immagini mediche 3D. Apprende rappresentazioni trasferibili da volumi CT e MRI privi di annotazioni, quindi viene sottoposto a fine-tuning per le attività a valle di segmentazione e classificazione. Pesi Keras e PyTorch inclusi.
[CVPR'25 Highlight] Repository ufficiale di Sonata: Apprendimento auto-supervisionato di rappresentazioni di punti affidabili
Addestrare autonomamente LLM di agenti di ricerca su dati personalizzati utilizzando il reinforcement learning e l'autoverifica.
[CVPR 2022] Pre-Allenamento di Transformer per Nuvole di Punti 3D con Modellazione di Punti Mascherati
Domande frequenti
Qual è il repository #self-supervised-learning più popolare su GitHub?
Il progetto open source #self-supervised-learning più alto in classifica su GitHub è jindongwang/transferlearning, con 14,330 stelle. Transfer learning / Adattamento del dominio / Generalizzazione del dominio / Apprendimento multi-task ecc. Articoli, codici, dataset, applicazioni, tutorial. - Transfer learning
Quali linguaggi di programmazione sono più utilizzati nei repository #self-supervised-learning?
Tra i progetti #self-supervised-learning più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, Shell, HTML.
Come viene calcolata la classifica dei repository #self-supervised-learning?
Monitoriamo 75 repository open source attivi contrassegnati con #self-supervised-learning (500+ stelle), per un totale di 155,433 stelle e una media di 2,072 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.