Mësimi vetë-mbikëqyrës me pak shembuj
Mësimi vetë-mbikëqyrës me pak shembuj (SSL-FSL) kombinon para-trajnimin vetë-mbikëqyrës në korpuse të mëdha të palabeluara me meta-mësimin me pak shembuj, në mënyrë që një model të mund të njohë kategori të reja nga vetëm një grusht shembuj të etiketuar. Duke mësuar përfaqësime të pasura, të transferueshme pa etiketim të kushtueshëm, SSL-FSL adreson pengesën themelore të metodave mbikëqyrëse me pak shembuj: nevojën për të dhëna mbështetëse të etiketuar në shkallë.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/sq/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.
- Rrjeti Neural SiameseMësimi i thellë↔ compare
- Mësimi i TransferueshëmMësimi i makinës↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →