cleanlab：机器学习的标准包，带有嘈杂的标签并在Python中查找标签错误的数据

具有时间编码的监督学习的目的是使神经元尖峰化，以使神经元响应给定的突触输入而发出任意的尖峰序列。 近年来，基于突触可塑性的监督学习算法发展Swift。 作为最有效的监督学习算法之一，远程监督方法（ReSuMe）使用常规的基于对的峰值定时依赖的可塑性规则，该规则取决于突触前和突触后峰值的精确定时。 在本文中，使用了基于三重态的依赖于尖峰时序的可塑性，它是一种强大的突触可塑性规则，其作用超出了经典规则，提出了一种新颖的监督学习算法，称为T-ReSuMe，以提高ReSuMe的性能。 所提出的算法已成功应用于各种尖峰序列的学习任务，其中所需的尖峰序列通过泊松过程进行​​编码。 实验结果表明，与传统的ReSuMe算法相比，T-ReSuMe算法具有更高的学习精度和更少的迭代次数，对于解决复杂的时空模式学习问题是有效的。

自我监督学习（SSL） 文件 论文2021 RGB-D显着目标检测的自监督表示学习（） 通过自我监督的多任务学习来学习特定于形式的表示形式以进行多模态情感分析（）（） 理解无对比对的自我监督学习动力学（）（） 多视角的自我监督学习。（）（ ICLR 2021 ） 与差异的对比：带有噪声标签的学习的自我监督式预训练。（）（ ICLR 2021 ）（） 自我监督的可变自动编码器。（）（ ICLR 2021 ） 自我监督视觉预训练的密集对比学习。（）（ CVPR 2021 ）（）（） 超越眼界的是：通过提取多模态知识进行自我监督的多目标检测和声音跟踪。（）（ CVPR 2021 ） AdCo：有效地从自我训练的负面对手中学习无监督表示的对抗性对比。（）（ CVPR 2021 ）（） 探索简单的暹罗表示学习。（） Barlow Twins：通过减少冗余进行自我监督的学习。（）

版本 oid sha256：140593c4df24d2a55a892a2997f137514eebbddfc3a1642c25ecc2ee1d7cd3e9大小5514

细粒度的自我监督学习 此存储库具有与用于细粒度图像分类的自我监督学习相关的代码。 我使用了木薯植物病数据集

Cross-Domain Weakly-Supervised Object Detectio.pdf

GEE学习ppt

计算机视觉Github开源论文

计算机视觉Github开源论文 Weakly Supervised Disentanglement with Guarantees

半监督文本分类的对抗训练方法 规范 此代码重现用 。 设置环境 请安装和 。 您可以使用此轻松设置环境。 下载预训练模型 请下载预先训练的模型。 $ wget http://sato-motoki.com/research/vat/imdb_pretrained_lm.model 结果 模型 错误率 基线 7.39 基准（我们的代码） 6.62 对抗性 6.21 对抗训练（我们的代码） 6.35 虚拟对抗训练 6.40 虚拟对抗训练 5.91 虚拟对抗训练（我们的代码） 5.82 跑 预训练 $ python -u pretrain.py -g 0 --layer