Samo-nadgledano učenje s malo primjera
Samo-nadgledano učenje s malo primjera (SSL-FSL) kombinira samo-nadgledano pred-treniranje na velikim neoznačenim korpusima s meta-učenjem s malo primjera kako bi model mogao prepoznati nove kategorije iz samo šačice označenih primjera. Učeći bogate, prenosive reprezentacije bez skupog označavanja, SSL-FSL rješava temeljno usko grlo nadgledanih metoda s malo primjera: potrebu za označenim podacima za podršku u velikom opsegu.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/hr/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.
- Siamese Neural NetworkDuboko učenje↔ compare
- Prijenosno učenjeStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →