Önfelügyelt kevés-képes tanulás
Az önfelügyelt kevés-képes tanulás (Self-supervised Few-shot Learning, SSL-FSL) az önfelügyelt előtanítást nagy, címkézetlen korpuszokon kombinálja a kevés-képes meta-tanulással, lehetővé téve, hogy egy modell új kategóriákat ismerjen fel mindössze néhány címkézett példa alapján. Azáltal, hogy gazdag, átvihető reprezentációkat tanul meg drága annotáció nélkül, az SSL-FSL kezeli a felügyelt kevés-képes módszerek alapvető szűk keresztmetszetét: a címkézett támogató adatok nagyméretű szükségességét.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/hu/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.
- Sziámi neurális hálózatMélytanulás↔ compare
- Transzfer tanulásGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →