Itseohjautuva harvojen esimerkkien oppiminen
Itseohjautuva harvojen esimerkkien oppiminen (SSL-FSL) yhdistää suuriin merkitsemättömiin aineistoihin tehdyn itseohjautuvan esikoulutuksen harvojen esimerkkien metaoppimiseen, jotta malli voi tunnistaa uusia luokkia vain muutamasta merkitystä esimerkistä. Oppimalla rikkaita, siirrettäviä esityksiä ilman kallista merkintää, SSL-FSL ratkaisee ohjatun harvojen esimerkkien menetelmien perustavanlaatuisen pullonkaulan: tarpeen merkitylle tukidatalle suuressa mittakaavassa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/fi/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.
- Siamilainen neuroverkkoSyväoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →