#self-supervised-learning Repositórios
Descubra 75 repositórios ativos de código aberto no GitHub marcados com #self-supervised-learning, acumulando um total de 155,433 estrelas (uma média de 2,072 por projeto). O líder deste tópico é jindongwang/transferlearning, com 14,330 estrelas.
75 repositórios no total
Aprendizado por transferência / adaptação de domínio / generalização de domínio / aprendizado multi-tarefa etc. Artigos, códigos, conjuntos de dados, aplicações, tutoriais.-Aprendizado por transferência
Código e modelos PyTorch para o método de aprendizado autossupervisionado DINOv2.
Kit de Fala Fácil de Usar, incluindo modelo de Aprendizagem Auto-Supervisionada, ASR SOTA/Streaming com pontuação, TTS de Streaming com frontend de texto, Sistema de Verificação de Locutor, Tradução de Fala End-to-End e Keyword Spotting. Ganhou o Prêmio Melhor Demo da NAACL2022.
PySlowFast: base de código para compreensão de vídeo do FAIR para reproduzir modelos de vídeo de última geração.
Treine e avalie embeddings para busca por similaridade com PyTorch. Inclui funções de perda contrastivas, mineração de exemplos difíceis, amostradores e métricas de recuperação.
Código e modelos PyTorch para aprendizagem auto-supervisionada VJEPA2 a partir de vídeo.
Código e modelos PyTorch para aprendizagem autossupervisionada V-JEPA a partir de vídeo.
Uma biblioteca Python para aprendizado autossupervisionado e modelos de mundo latentes aplicados a imagens.
Toolkit de Pré-treinamento e Aprendizagem de Representação de Fala Autossupervisionada
Uma implementação oficial de PatchTST: "A Time Series is Worth 64 Words: Long-term Forecasting with Transformers." (ICLR 2023) https://arxiv.org/abs/2211.14730
O repositório oficial para [NeurIPS'22] "ViTPose: Baselines Simples de Vision Transformer para Estimativa de Postura Humana" e [TPAMI'23] "ViTPose++: Vision Transformer para Estimativa Genérica de Postura Corporal"
Implementação Utilizável de aprendizado auto-supervisionado "Bootstrap Your Own Latent", da Deepmind, em Pytorch
Treinamento completo para modelos de visão (YOLO, ViTs, RT-DETR, DINOv3): pré-treinamento, ajuste fino, destilação.
Artigos sobre pré-treinamento e aprendizado autossupervisionado em Redes Neurais de Grafos (GNN).
solo-learn: uma biblioteca de métodos de auto-supervisão para aprendizado de representação visual com o poder do Pytorch Lightning
[CVPR 2025] Fast3R: Rumo à Reconstrução 3D de Mais de 1000 Imagens em Uma Única Passagem Direta
Código para o artigo da TKDE "Aprendizagem auto-supervisionada em grafos: Contrastiva, generativa ou preditiva"
Crie, treine, otimize e execute modelos de visão computacional localmente, desde imagens brutas até inferência em tempo real. Código aberto, otimizado para Intel® XPU (CUDA também é compatível).
[Destaque ICLR'23🔥] O primeiro pré-treinamento bem-sucedido no estilo BERT/MAE em qualquer rede convolucional; Implementação em Pytorch de "Projetando BERT para Redes Convolucionais: Modelagem Mascarada Esparsa e Hierárquica"
Uma lista abrangente de artigos incríveis de aprendizado contrastivo autossupervisionado.
Plataforma de Biocomputação com Aprendizado de Representação em Larga Escala e Aprendizado Profundo Multi-Tarefa – Kit de Ferramentas de Biocomputação "Hélice"
Lançamento do código para "Cut and Learn para Detecção de Objetos e Segmentação de Instância Não Supervisionadas" e "VideoCutLER: Segmentação de Instância de Vídeo Não Supervisionada Surpreendentemente Simples"
[ECCV2024] VideoMamba: Modelo de Espaço de Estados para Compreensão Eficiente de Vídeo
[IEEE T-KDE 2026] Awesome Deep Graph Clustering é uma coleção de métodos de deep graph clustering inovadores e de última geração (SOTA) (artigos, códigos e conjuntos de dados).
[ECCV'2024] Agrupamento Gaussiano para reconstrução, segmentação e edição de 'Qualquer Coisa' em mundo aberto.
Uma coleção de literatura posterior ou concomitante ao Masked Autoencoder (MAE) (Kaiming He et al.).
DIPY é a principal biblioteca de imagens médicas 3D/4D+ em Python. Contém métodos genéricos para normalização espacial, processamento de sinais, aprendizado de máquina, análise estatística e visualização de imagens médicas. Além disso, ela contém métodos especializados para anatomia computacional, incluindo imagens de difusão, perfusão e estruturais.
[Prêmio de Jovem Cientista da MICCAI 2019] [Prêmio de Melhor Artigo da MedIA] Models Genesis: pré-treinamento autossupervisionado para imagens médicas 3D. Aprende representações transferíveis a partir de volumes de TC e RM não rotulados e, em seguida, é ajustado para tarefas posteriores de segmentação e classificação. Pesos para Keras e PyTorch incluídos.
[Destaque CVPR'25] Repositório oficial de Sonata: Aprendizado Auto-Supervisionado de Representações de Pontos Confiáveis
[CVPR 2023] VideoMAE V2: Escalando Autoencoders Mascarados de Vídeo com Mascaramento Duplo
Treinar autonomamente LLMs de agentes de pesquisa em dados personalizados usando aprendizado por reforço e autoverificação.
[CVPR 2022] Pré-Treinamento de Transformadores de Nuvem de Pontos 3D com Modelagem de Ponto Mascarado
Perguntas Frequentes
Qual é o repositório de #self-supervised-learning mais popular no GitHub?
O projeto de código aberto de #self-supervised-learning mais bem classificado no GitHub é jindongwang/transferlearning, com 14,330 estrelas. Aprendizado por transferência / adaptação de domínio / generalização de domínio / aprendizado multi-tarefa etc. Artigos, códigos, conjuntos de dados, aplicações, tutoriais.-Aprendizado por transferência
Quais linguagens de programação são mais usadas nos repositórios de #self-supervised-learning?
Entre os projetos de #self-supervised-learning mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, Shell, HTML.
Como é calculada a classificação dos repositórios de #self-supervised-learning?
Acompanhamos 75 repositórios ativos de código aberto marcados com #self-supervised-learning (com mais de 500 estrelas), totalizando 155,433 estrelas e uma média de 2,072 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.