論文の概要: Super-Selfish: Self-Supervised Learning on Images with PyTorch

• arxiv url: http://arxiv.org/abs/2012.02706v2
• Date: Mon, 7 Dec 2020 07:22:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 20:39:31.279703
• Title: Super-Selfish: Self-Supervised Learning on Images with PyTorch
• Title（参考訳）: 超自己性:pytorchによる画像の自己教師付き学習
• Authors: Nicolas Wagner, Anirban Mukhopadhyay
• Abstract要約: Super-Selfishは、イメージベースの自己教師型学習にPyTorchフレームワークを使用するのが簡単である。 機能は、単純な分類から、より複雑なテクトコントラストプリテキストタスクまで、13のアルゴリズムで学習することができる。
• 参考スコア（独自算出の注目度）: 0.5437111997599413
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Super-Selfish is an easy to use PyTorch framework for image-based self-supervised learning. Features can be learned with 13 algorithms that span from simple classification to more complex state of theart contrastive pretext tasks. The framework is easy to use and allows for pretraining any PyTorch neural network with only two lines of code. Simultaneously, full flexibility is maintained through modular design choices. The code can be found at https://github.com/MECLabTUDA/Super_Selfish and installed using pip install super-selfish.
• Abstract（参考訳）: Super-Selfishは、イメージベースの自己教師型学習にPyTorchフレームワークを使用するのが簡単である。 シンプルな分類から、theartのコントラストプリテキストタスクのより複雑な状態まで、13のアルゴリズムで機能を学ぶことができる。 このフレームワークは使いやすく、2行のコードだけで任意のPyTorchニューラルネットワークを事前トレーニングすることができる。 同時に、完全な柔軟性はモジュール設計の選択によって維持される。 コードはhttps://github.com/MECLabTUDA/Super_Selfishで参照でき、pip install super-selfishを使ってインストールできる。

関連論文リスト

• Nerva: a Truly Sparse Implementation of Neural Networks [16.29955529463831]
  Nervaは、C++で開発中の高速ニューラルネットワークライブラリである。 IntelのMath Kernel Libraryのスパースマトリックス操作を使用することで、スパシティをサポートする。
  論文  参考訳（メタデータ） (2024-07-24T17:13:31Z)
• depyf: Open the Opaque Box of PyTorch Compiler for Machine Learning Researchers [92.13613958373628]
  textttdepyfは、PyTorchコンパイラの内部動作を復号化するためのツールである。 textttdepyfは、PyTorchが生成したバイトコードを等価なソースコードに逆コンパイルする。
  論文  参考訳（メタデータ） (2024-03-14T16:17:14Z)
• Masked Autoencoders are Efficient Class Incremental Learners [64.90846899051164]
  クラスインクリメンタルラーニング(CIL)は,過去の知識の破滅的な忘れを回避しつつ,新しいクラスを逐次学習することを目的としている。 本稿では,CIL の学習に Masked Autoencoders (MAEs) を用いることを提案する。
  論文  参考訳（メタデータ） (2023-08-24T02:49:30Z)
• PyTorch Adapt [37.03614011735927]
  PyTorch Adaptはドメイン適応のためのライブラリである。 ドメイン適応(Domain adapt)は、既存のモデルを新しいドメインで動作させる機械学習アルゴリズムの一種である。 完全に機能したツールキットで、数行のコードで完全なトレイン/テストパイプラインを作成できる。
  論文  参考訳（メタデータ） (2022-11-28T18:59:09Z)
• pystacked: Stacking generalization and machine learning in Stata [0.0]
  pystackedはPythonのScikit-learを通じてスタック化された一般化を実装している。 Stackingは複数の教師付き機械学習者をひとつの学習者に結合する。 pystackedは、Scikit-Lernの機械学習アルゴリズムのための使いやすいAPIを提供する。
  論文  参考訳（メタデータ） (2022-08-23T12:03:04Z)
• PyTorchVideo: A Deep Learning Library for Video Understanding [71.89124881732015]
  PyTorchVideoは、ビデオ理解タスクのためのオープンソースのディープラーニングライブラリである。 マルチモーダルデータローディング、変換、モデルを含む、ビデオ理解ツールのフルスタックをカバーする。 ライブラリはPyTorchをベースにしており、任意のトレーニングフレームワークで使用することができる。
  論文  参考訳（メタデータ） (2021-11-18T18:59:58Z)
• Solo-learn: A Library of Self-supervised Methods for Visual Representation Learning [83.02597612195966]
  solo-learnは視覚表現学習のための自己指導型のメソッドのライブラリである。 Pythonで実装され、PytorchとPytorch Lightningを使用して、このライブラリは研究と業界のニーズの両方に適合する。
  論文  参考訳（メタデータ） (2021-08-03T22:19:55Z)
• SuperSuit: Simple Microwrappers for Reinforcement Learning Environments [0.0]
  SuperSuitはPythonライブラリで、すべての人気のあるラッパーとラッパーが含まれており、観察/アクション/リワードに関数を簡単に適用できる。 これは、標準のGym環境仕様と、マルチエージェント環境のためのPettingZoo仕様と互換性がある。
  論文  参考訳（メタデータ） (2020-08-17T00:30:06Z)
• Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition [98.10703825716142]
  この研究は、複数のフィルタスケールで入力を処理できるピラミッド畳み込み(PyConv)を導入している。 PyConvをベースとした,画像分類,映像行動分類/認識,オブジェクト検出,意味的画像分割/パーシングの4つの主要なタスクについて,異なるアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-06-20T10:19:29Z)
• On the distance between two neural networks and the stability of learning [59.62047284234815]
  本稿では, パラメータ距離と勾配分解を, 幅広い非線形構成関数のクラスに関連付ける。 この分析により、ニューラルネットワークの深い相対信頼と降下補題と呼ばれる新しい距離関数が導かれる。
  論文  参考訳（メタデータ） (2020-02-09T19:18:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。