Pembelajaran Kendiri Berbantukan Contoh Berbilang Ciri
Pembelajaran Kendiri Berbantukan Contoh Berbilang Ciri (SSL-FSL) menggabungkan pra-latihan kendiri pada korpus tidak berlabel yang besar dengan meta-pembelajaran berbantukan contoh berbilang ciri supaya model dapat mengenali kategori baharu hanya daripada segelintir contoh berlabel. Dengan mempelajari perwakilan yang kaya dan boleh dipindahkan tanpa anotasi yang mahal, SSL-FSL menangani halangan asas kaedah berbantukan contoh berbilang ciri yang diselia: keperluan data sokongan berlabel dalam skala besar.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/ms/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.
- Jaringan Saraf SiamesePembelajaran Mendalam↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →