UniMoCo：无监督，半监督和全监督的视觉表示学习 这是的官方PyTorch实施： article{dai2021unimoco, author = {Zhigang Dai and Bolun Cai and Yugeng Lin and Junying Chen}, title = {UniMoCo: Unsupervised, Semi-Supervised and Full-Supervised Visual Representation Learning}, jo

MoCo：用于无监督视觉表示学习的动量对比 这是MoCo的PyTorch实现： Article{he2019moco, author = {Kaiming He and Haoqi Fan and Yuxin Wu and Saining Xie and Ross Girshick}, title = {Momentum Contrast for Unsupervised Visual Representation Learning}, journal = {arXiv pr

PyContrast 此repo列出了最新的对比学习论文，并包括其中许多代码。 论文清单 找到很棒的对比学习。 PyTorch代码 有关SoTA方法的参考实现（例如InstDis，CMC，MoCo等），请参见 。 预训练模型 提供了一组ImageNet无监督的预训练模型。在找到它们。 物体检测 在PASCAL VOC和COCO上，无监督的预训练模型优于监督的预训练模型。查找。

通过非参数实例区分进行无监督特征学习 此回购包含CVPR2018无监督学习论文的pytorch实施。 更新了预训练模型 提供了具有存储体实现且nce-k = 65536否定值的更新的实例判别模型。 如在CPC / MoCo中一样，使用Softmax-CE损失而不是原始NCE损失来训练更新的模型。 （线性ImageNet Acc 58.5％） 老歌：ResNet18和ResNet50的原始版本经过训练，带有4096个底片和NCE损失。 每个tar球都包含所有ImageNet训练图像（600