#半监督学习

Semi-supervised-learning

USB是一个基于Pytorch的Python包，专为简化和扩展半监督学习（SSL）而设计。它实现了14种SSL算法，并在计算机视觉（CV）、自然语言处理（NLP）和音频分类领域提供了15个评估任务。项目内容包括详细的安装、使用和开发指南，以及各种基准测试结果。USB支持用户快速启动和测试现有的SSL算法，并通过Docker镜像进一步简化使用过程。

UniMatch

UniMatch是一个创新的半监督语义分割模型，适用于自然、遥感和医学图像分析。该模型重新定义了弱到强的一致性概念，在Pascal VOC、Cityscapes和COCO等多个标准数据集上实现了领先性能。UniMatch在各种标注比例下均优于现有方法，推动了半监督语义分割技术的发展。

Scenimefy

Scenimefy项目开发了一种半监督图像翻译方法，可将真实风景照片转换为动漫场景。该方法结合了StyleGAN生成的伪配对数据集和无监督学习技术，解决了动漫数据集稀缺的问题。项目同时发布了一个包含5,958张新海诚风格动漫场景的数据集，为相关研究提供了重要资源。

LaserMix

LaserMix是针对LiDAR语义分割的半监督学习框架。该方法利用驾驶场景空间先验,通过激光束混合构建低变化区域,促使分割模型在混合前后保持一致预测。在多个数据集上,LaserMix显著提升了分割性能,尤其适用于标注数据有限的情况。该框架兼容多种LiDAR分割网络,并已整合至MMDetection3D代码库。

graph-data-augmentation-papers

该项目收集了图数据增强领域的研究论文,包括节点、图和边任务的监督与半监督学习方法,以及自监督学习中的对比学习技术。项目提供文献综述、教程和代码资源,支持图机器学习研究。内容持续更新,开放社区贡献。

tf_efficientnet_b1.ns_jft_in1k

本项目是一个EfficientNet图像分类模型，通过Noisy Student半监督学习在ImageNet-1k和JFT-300m数据集上使用Tensorflow训练，并移植到PyTorch中。它可以执行图像分类、特征提取和嵌入生成。拥有仅7.8M参数和高计算效率，适合研究深度学习模型的缩放和性能优化。