یادگیری خودنظارتی با نمونههای کم
یادگیری خودنظارتی با نمونههای کم (SSL-FSL) پیشآموزش خودنظارتی را بر روی مجموعههای بزرگ بدون برچسب با فرایادگیری با نمونههای کم ترکیب میکند تا یک مدل بتواند دستههای جدید را تنها از تعداد انگشتشماری مثال برچسبدار تشخیص دهد. با یادگیری بازنماییهای غنی و قابل انتقال بدون حاشیهنویسی پرهزینه، SSL-FSL بر گلوگاه اساسی روشهای یادگیری با نمونههای کم تحت نظارت غلبه میکند: نیاز به دادههای پشتیبانی برچسبدار در مقیاس بزرگ.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/fa/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.
- شبکه عصبی سیامییادگیری عمیق↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →