Samoučenie s malým počtom príkladov
Samoučenie s malým počtom príkladov (SSL-FSL) kombinuje samoučiacu predtrénovanosť na rozsiahlych neoznačených korpusoch s meta-učením s malým počtom príkladov, aby model dokázal rozpoznať nové kategórie len z hŕstky označených príkladov. Učením sa bohatých, prenosných reprezentácií bez nákladnej anotácie, SSL-FSL rieši základné obmedzenie dohľadových metód s malým počtom príkladov: potrebu označených podporných dát v rozsahu.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/sk/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.
- Siamská neurónová sieťHlboké učenie↔ compare
- Prenosové učenieStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →