Apprendimento Self-Supervised Few-Shot
L'apprendimento Self-Supervised Few-Shot (SSL-FSL) combina il pre-training self-supervised su grandi corpora non etichettati con il meta-apprendimento few-shot, in modo che un modello possa riconoscere nuove categorie da solo una manciata di esempi etichettati. Imparando rappresentazioni ricche e trasferibili senza costose annotazioni, SSL-FSL affronta il collo di bottiglia fondamentale dei metodi few-shot supervisionati: la necessità di dati di supporto etichettati su larga scala.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/it/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 NetworkApprendimento profondo↔ compare
- Apprendimento per trasferimentoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →