自监督算法的Pytorch-Lightning实现 这是一个实现，和使用。可以对配置进行调整，以实现一系列可能的自我监督实现。 我们最近添加了必要的功能来运行和进行比较。 有关更多详细信息，请参见博客文章。 安装 确保你在一个新的很conda或venv环境中，然后运行： git clone https://github.com/untitled-ai/self_supervised cd self_supervised pip install -r requirements.txt 复制我们的结果 您可以通过运行python train_blog.py复制我们博客文章的结果。 z和z'之间的余弦相似度报告为step_neg_cos （对于负面示例）和step_pos_cos （对于正面示例）。分类准确性报告为valid_class_acc 。 入门 要开始在STL-10（默认配置）上使用

图像模糊matlab代码自我监督 用于训练神经网络的自监督算法。 该算法可以利用结构化的未标记样本来提高网络的性能。 存储库的结构 所提出方法的第一个版本由 Matlab 实现，第二个版本由 Pytorch 实现，因此该存储库中既有 Matlab 也有 Jupyter notebook 文件。 神经核心：用于使用 matlab 构建我们的网络的核心单元 神经模型：网络和数据模型类 data_transfer : 用于划分数据集并使用 PCA 将图像传输到向量的 api data : 论文中使用的南瓜数据集 ss_net.m ：使用建议方法的示例 同轴错误检测：应用示例 epfl_car : epfl car 数据集的实验 EPFL 汽车数据集的结果 方法 平均AE 中位数AE 有标签 无标签 我们的方法 1 9.28 3.5 1079 0 我们的方法 2 12.02 3.65 123 1389 我们的方法 3 17.22 4.78 123 0 芬兹等人。 (2015) 13.6 3.3 1179 0 他等人。 (2014) 15.8 6.2 1179 0 杨等人。 (2017) 20.

图上的深度学习最近引起了人们的极大兴趣。然而，大多数工作都集中在（半）监督学习上，导致存在标签依赖重、泛化能力差和鲁棒性弱等缺点。为了解决这些问题，自监督学习 (SSL) 通过精心设计的借口任务提取信息知识，而不依赖于手动标签，已成为图数据的一种有前途和趋势的学习范式。与计算机视觉和自然语言处理等其他领域中的 SSL 不同，图上的 SSL 具有独特的背景、设计思想和分类法。在图自监督学习的框架下，我们及时全面地回顾了使用SSL技术处理图数据的现有方法。我们构建了一个统一的框架，在数学上形式化了图 SSL 的范式。根据借口任务的目标，我们将这些方法分为四类：基于生成的方法、基于辅助属性的方法、基于对比的方法和混合方法。我们进一步总结了图 SSL 在各个研究领域的应用，并总结了图 SSL 的常用数据集、评估基准、性能比较和开源代码。最后，我们讨论了该研究领域的剩余挑战和潜在的未来方向。

SuperPoint——兴趣点检测与描述自监督训练框架

google自己下载的太慢，然后也是下载了好久，保存到了百度网盘，方便大家下载并进行一系列实验，之前的链接失效了，整理不易。希望可以得到小小的支持。

自监督核分割 用于训练自监督分割网络以对组织病理学图像中的核进行分割的代码[1]。 train.py包含培训代码并定义命令行选项。 datasets.py定义用于读取图像的数据集。 models.py定义了相关模型（注意网络和规模网络）。 utils.py定义了其他有用的功能。 configs/定义.yaml配置文件以设置实验参数。 安装 Anaconda环境在conda_env.yml指定。 可以使用以下方式重新创建环境 conda env create -f conda_env.yml 已在Nvidia GeForce GTX 1080和GeForce GTX 1080 Ti GPU，运行驱动程序版本410.48和cuda 10.0以及带有Torchvision 0.3.0的Pytorch 1.1.0上进行了测试。 数据 请参阅目录以获取有关下载和使用数据的说明。 用法 t

图像分类是计算机视觉中的基本任务之一，深度学习的出现是的图像分类技术趋于完善。最近，自监督学习与预训练技术的发展使得图像分类技术出现新的变化，这篇论文概述了最新在实际情况中少标签小样本等情况下，关于自监督学习、半监督、无监督方法的综述，值得看！

在最新AAAI 2020的邀请嘉宾报告上，Facebook人工智能总监、图灵奖得主Yann Lecun给了自监督学习的报告《Self-Supervised Learning 》，44页ppt，介绍了深度学习面临的挑战，自监督学习的光明前景，基于能量学习的因变量模型，介绍最新自监督学习的进展与问题，是非常值得看的报告。

2020原论文，simple Siamese

近年来，深度监督学习取得了巨大的成功。然而，它依赖于手工标签，并且易受攻击的弱点促使学者们探索更好的解决方案。近年来，自监督学习作为一种新的学习方法，在表征学习方面取得了骄人的成绩并吸引了越来越多的注意。自监督表示学习利用输入数据本身作为监督信号，几乎有利于所有不同类型的下游任务。