Samoučení s malým počtem příkladů
Samoučení s malým počtem příkladů (SSL-FSL) kombinuje samoučené předtrénování na velkých neanotovaných korpusech s meta-učením s malým počtem příkladů, aby model dokázal rozpoznat nové kategorie z pouhých několika anotovaných příkladů. Tím, že se učí bohaté, přenositelné reprezentace bez nákladné anotace, SSL-FSL řeší základní úzké hrdlo metod s malým počtem příkladů řízených dohledem: potřebu anotovaných podpůrných dat v určitém měřítku.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/cs/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.
- Siamská neuronová síťHluboké učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →