Învățare auto-supervizată cu puține exemple (Self-supervised Few-shot Learning)
Învățarea auto-supervizată cu puține exemple (SSL-FSL) combină pre-antrenarea auto-supervizată pe corpusuri mari neetichetate cu meta-învățarea cu puține exemple, astfel încât un model să poată recunoaște noi categorii dintr-un număr mic de exemple etichetate. Prin învățarea unor reprezentări bogate și transferabile fără etichetare costisitoare, SSL-FSL abordează blocajul fundamental al metodelor supervizate cu puține exemple: nevoia de date de suport etichetate la scară largă.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/ro/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.
- Rețea Neuronală SiameseÎnvățare profundă↔ compare
- Învățare prin transferÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →