Apprentissage auto-supervisé à quelques exemples (Self-supervised Few-shot Learning)
L'apprentissage auto-supervisé à quelques exemples (SSL-FSL) combine le pré-entraînement auto-supervisé sur de grands corpus non étiquetés avec le méta-apprentissage à quelques exemples, de sorte qu'un modèle puisse reconnaître de nouvelles catégories à partir de seulement une poignée d'exemples étiquetés. En apprenant des représentations riches et transférables sans annotation coûteuse, le SSL-FSL résout le goulot d'étranglement fondamental des méthodes supervisées à quelques exemples : le besoin de données de support étiquetées à grande échelle.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/fr/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.
- Réseau neuronal siamoisApprentissage profond↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →