Samonadgledano učenje sa malo primera
Samonadgledano učenje sa malo primera (SSL-FSL) kombinuje samonadgledano pred-treniranje na velikim neoznačenim korpusima sa meta-učenjem sa malo primera, tako da model može da prepozna nove kategorije iz samo nekolicine označenih primera. Učeći bogate, prenosive reprezentacije bez skupih anotacija, SSL-FSL rešava fundamentalno usko grlo nadgledanih metoda sa malo primera: potrebu za označenim potpornim podacima u velikom obimu.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/sr/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.
- Siamese Neural NetworkDuboko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →