Самоконтролирано учене с малко примери
Самоконтролираното учене с малко примери (SSL-FSL) комбинира самоконтролирано предварително обучение върху големи немаркирани корпуси с мета-учене с малко примери, така че моделът да може да разпознава нови категории само от шепа маркирани примери. Чрез научаване на богати, преносими представяния без скъпо анотиране, SSL-FSL адресира фундаменталното затруднение на контролираните методи с малко примери: нуждата от маркирани поддържащи данни в голям мащаб.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Gidaris, S., Bursuc, A., Komodakis, N., Perez, P., & Cord, M. (2019). Boosting Few-Shot Visual Learning with Self-Supervision. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 8059–8068. DOI: 10.1109/ICCV.2019.00815 ↗
- Su, J.-C., Maji, S., & Hariharan, B. (2020). When Does Self-Supervision Improve Few-Shot Learning? European Conference on Computer Vision (ECCV), Lecture Notes in Computer Science, vol 12371, 645–660. DOI: 10.1007/978-3-030-58571-6_38 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/bg/machine-learning/self-supervised-few-shot-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Сиамска невронна мрежаДълбоко обучение↔ compare
- Трансферно обучениеМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →