self-supervised-learning

Artículos, códigos, conjuntos de datos, aplicaciones y tutoriales sobre aprendizaje por transferencia, adaptación de dominios, generalización de dominios, aprendizaje multitarea, etc.

Kit de herramientas de voz fácil de usar que incluye modelo de aprendizaje autosupervisado, ASR de transmisión/SOTA con puntuación, TTS de transmisión con interfaz de texto, sistema de verificación de hablantes, traducción de voz de extremo a extremo y detección de palabras clave. Ganador del premio al mejor demo en NAACL2022.

La forma más fácil de usar deep metric learning en tu aplicación. Modular, flexible y extensible. Escrito en PyTorch.

Caja de herramientas de preentrenamiento y Benchmark de OpenMMLab

Una librería de Python para aprendizaje autosupervisado en imágenes.

Kit de herramientas para preentrenamiento de voz y aprendizaje de representaciones auto-supervisado

Repositorio oficial de [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" y [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation".

Una librería para investigación en aprendizaje profundo en grafos

Un conjunto de herramientas todo en uno para visión por computadora

Implementación utilizable en PyTorch de "Bootstrap Your Own Latent", aprendizaje autosupervisado de DeepMind

Artículos sobre preentrenamiento y aprendizaje autosupervisado en redes neuronales de grafos (GNN).

Entrenamiento integral para modelos de visión (YOLO, ViTs, RT-DETR, DINOv3): preentrenamiento, ajuste fino y destilación.

solo-learn: una biblioteca de métodos de autoaprendizaje para el aprendizaje de representación visual impulsada por Pytorch Lightning

Código para el artículo de TKDE "Aprendizaje autosupervisado en grafos: contrastivo, generativo o predictivo"

[ICLR'23 Spotlight] El primer preentrenamiento exitoso estilo BERT/MAE en cualquier red convolucional; implementación en PyTorch de "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling".

Construya modelos de visión artificial en una fracción del tiempo y con menos datos.

Una lista exhaustiva de artículos destacados sobre aprendizaje autosupervisado contrastivo.

OpenSTL: Un benchmark integral de aprendizaje predictivo espacio-temporal

Plataforma de bioinformática que incluye aprendizaje de representación a gran escala y aprendizaje profundo multitarea.

[IEEE T-KDE 2026] Awesome Deep Graph Clustering es una colección de métodos de agrupamiento de grafos profundos novedosos y de vanguardia (artículos, códigos y conjuntos de datos).

Una colección de literatura posterior o concurrente con Masked Autoencoder (MAE) (Kaiming He et al.).

DIPY es la biblioteca de referencia en Python para imágenes médicas 3D/4D+. Contiene métodos genéricos para normalización espacial, procesamiento de señales, aprendizaje automático, análisis estadístico y visualización de imágenes médicas. Además, incluye métodos especializados en anatomía computacional, incluyendo difusión, perfusión e imágenes estructurales.

[CVPR 2023] VideoMAE V2: escalado de Video Masked Autoencoders con enmascaramiento dual.

[Premio al Joven Científico MICCAI 2019] [Premio al Mejor Artículo MEDIA 2020] Models Genesis, uno de los primeros modelos "fundacionales" en el análisis de imágenes médicas para múltiples tareas posteriores

Modelo fundamental para tareas de reconocimiento de voz.

Artículos de INTERSPEECH 2023-2024: Una colección completa de artículos de investigación influyentes y destacados de la conferencia INTERSPEECH 2023-24. Explora los últimos avances en procesamiento de voz y lenguaje. Incluye código.

CAIRI: Caja de herramientas y benchmark para aprendizaje de representación visual supervisado, semi-supervisado y auto-supervisado

[ECCV2022] Autoencoders enmascarados para el aprendizaje autosupervisado de nubes de puntos.

[NeurIPS 2020] "Graph Contrastive Learning with Augmentations" por Yuning You, Tianlong Chen, Yongduo Sui, Ting Chen, Zhangyang Wang, Yang Shen

Hierarchical Image Pyramid Transformer - CVPR 2022 (Oral)