Self-supervised Few-shot Learning
Self-supervised Few-shot Learning (SSL-FSL) combines self-supervised pretraining on large unlabeled corpora with few-shot meta-learning so that a model can recognize new categories from only a handful of labeled examples. By learning rich, transferable representations without expensive annotation, SSL-FSL addresses the fundamental bottleneck of supervised few-shot methods: the need for labeled support data at scale.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.