Aprendizagem por Poucas Amostras Auto-supervisionada
A Aprendizagem por Poucas Amostras Auto-supervisionada (SSL-FSL) combina o pré-treinamento auto-supervisionado em grandes corpora não rotulados com meta-aprendizagem por poucas amostras, permitindo que um modelo reconheça novas categorias a partir de apenas um punhado de exemplos rotulados. Ao aprender representações ricas e transferíveis sem anotações caras, a SSL-FSL aborda o gargalo fundamental dos métodos supervisionados de poucas amostras: a necessidade de dados de suporte rotulados em escala.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/pt/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.
- Rede neural siamesaAprendizado profundo↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →