Selbstüberwachtes Few-Shot Learning
Selbstüberwachtes Few-Shot Learning (SSL-FSL) kombiniert selbstüberwachtes Vortraining auf großen unbeschrifteten Korpora mit Few-Shot Meta-Learning, sodass ein Modell neue Kategorien anhand nur einer Handvoll beschrifteter Beispiele erkennen kann. Durch das Erlernen reichhaltiger, übertragbarer Repräsentationen ohne teure Annotationen adressiert SSL-FSL den fundamentalen Engpass von überwachten Few-Shot-Methoden: den Bedarf an beschrifteten Support-Daten in großem Maßstab.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/de/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.
- Siamesisches Neuronales NetzDeep Learning↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →