Selv-superviseret få-skuds læring
Selv-superviseret få-skuds læring (SSL-FSL) kombinerer selv-superviseret fortræning på store umærkede korpora med få-skuds meta-læring, så en model kan genkende nye kategorier ud fra kun en håndfuld mærkede eksempler. Ved at lære rige, overførbare repræsentationer uden dyr annotering, adresserer SSL-FSL den fundamentale flaskehals i superviserede få-skuds metoder: behovet for mærkede supportdata i stor skala.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/da/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.
- Siamesisk Neuralt NetværkDyb læring↔ compare
- OverførselslæringMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →