Zelfgesuperviseerd Few-Shot Leren
Zelfgesuperviseerd Few-Shot Leren (SSL-FSL) combineert zelfgesuperviseerde voor-training op grote ongelabelde corpora met few-shot meta-leren, zodat een model nieuwe categorieën kan herkennen aan de hand van slechts een handvol gelabelde voorbeelden. Door rijke, overdraagbare representaties te leren zonder dure annotatie, pakt SSL-FSL de fundamentele bottleneck van gesuperviseerde few-shot methoden aan: de behoefte aan gelabelde supportdata op schaal.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/nl/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.
- Siamees Neuraal NetwerkDeep learning↔ compare
- TransferlerenMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →