self-supervised-learning

Apprentissage par transfert, adaptation de domaine, généralisation de domaine, apprentissage multi-tâches, etc. Articles, codes, jeux de données, applications et tutoriels.

Boîte à outils vocale facile à utiliser incluant l'apprentissage auto-supervisé, la reconnaissance vocale (ASR) SOTA/en continu avec ponctuation, la synthèse vocale (TTS) en continu avec interface textuelle, un système de vérification du locuteur, la traduction vocale de bout en bout et la détection de mots-clés. Lauréat du prix Best Demo à NAACL2022.

Le moyen le plus simple d'utiliser l'apprentissage métrique profond dans vos applications. Modulaire, flexible et extensible. Écrit en PyTorch.

Boîte à outils et benchmark de pré-entraînement OpenMMLab.

Une bibliothèque Python pour l'apprentissage auto-supervisé sur les images.

Boîte à outils pour le pré-entraînement vocal auto-supervisé et l'apprentissage de représentations

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"

Bibliothèque pour la recherche en apprentissage profond sur les graphes

Une boîte à outils tout-en-un pour la vision par ordinateur

Implémentation utilisable de l'apprentissage auto-supervisé "Bootstrap Your Own Latent" de Deepmind en Pytorch

Articles sur le pré-entraînement et l'apprentissage auto-supervisé sur les réseaux de neurones sur graphes (GNN).

Entraînement tout-en-un pour les modèles de vision (YOLO, ViTs, RT-DETR, DINOv3) : pré-entraînement, réglage fin et distillation.

solo-learn : une bibliothèque de méthodes auto-supervisées pour l'apprentissage de représentations visuelles, propulsée par PyTorch Lightning.

Code pour l'article TKDE "Self-supervised learning on graphs: Contrastive, generative, or predictive".

[ICLR'23 Spotlight🔥] Le premier pré-entraînement réussi de type BERT/MAE sur un réseau convolutionnel ; implémentation PyTorch de "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"

Construisez des modèles de vision par ordinateur en une fraction du temps et avec moins de données.

Une liste complète d'articles sur l'apprentissage auto-supervisé contrastif.

OpenSTL : un benchmark complet de l'apprentissage prédictif spatio-temporel

Plateforme de bio-informatique intégrant l'apprentissage de représentations à grande échelle et l'apprentissage profond multi-tâches.

[IEEE T-KDE 2026] Awesome Deep Graph Clustering est une collection de méthodes de pointe et innovantes en clustering de graphes profonds (articles, codes et jeux de données).

Une collection de littérature publiée après ou en parallèle avec Masked Autoencoder (MAE) (Kaiming He et al.).

DIPY est la bibliothèque de référence en Python pour l'imagerie médicale 3D/4D+. 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. Elle inclut également des méthodes spécialisées en anatomie computationnelle, notamment pour l'imagerie de diffusion, de perfusion et structurelle.

[CVPR 2023] VideoMAE V2 : Mise à l'échelle des Video Masked Autoencoders avec double masquage

[Prix du jeune scientifique MICCAI 2019] [Prix du meilleur article MEDIA 2020] Models Genesis, l'un des premiers modèles de « fondation » en analyse d'images médicales pour de multiples tâches en aval.

Modèle fondamental pour les tâches de reconnaissance vocale

Papers INTERSPEECH 2023-2024 : une collection complète de papiers influents et passionnants de la conférence INTERSPEECH 2023-24. Découvrez les dernières avancées dans le traitement du discours et du langage. Code inclus. Étoinez le dépôt pour soutenir l'avancement de la technologie vocale !

Boîte à outils et benchmark CAIRI pour l'apprentissage visuel supervisé, semi‑supervisé et non supervisé

[ECCV2022] Auto-encodeurs masqués pour l'apprentissage auto-supervisé de nuages de points

[NeurIPS 2020] "Apprentissage contrastif de graphes avec des augmentations" par Yuning You, Tianlong Chen, Yongduo Sui, Ting Chen, Zhangyang Wang, Yang Shen

Hierarchical Image Pyramid Transformer - CVPR 2022 (Oral)