Aprendizaje autosupervisado de pocas muestras
El aprendizaje autosupervisado de pocas muestras (SSL-FSL) combina el preentrenamiento autosupervisado en grandes corpus no etiquetados con meta-aprendizaje de pocas muestras, de modo que un modelo pueda reconocer nuevas categorías a partir de solo un puñado de ejemplos etiquetados. Al aprender representaciones ricas y transferibles sin anotaciones costosas, SSL-FSL aborda el cuello de botella fundamental de los métodos supervisados de pocas muestras: la necesidad de datos de soporte etiquetados a escala.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/es/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.
- Red neuronal siamesaAprendizaje profundo↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →