Självövervakad inlärning med få exempel (Self-supervised Few-shot Learning)
Självövervakad inlärning med få exempel (SSL-FSL) kombinerar självövervakad förträning på stora oannoterade korpusar med få-exempel meta-inlärning, så att en modell kan känna igen nya kategorier från endast en handfull annoterade exempel. Genom att lära sig rika, överförbara representationer utan dyrbar annotering, adresserar SSL-FSL den fundamentala flaskhalsen hos övervakade få-exempel-metoder: behovet av annoterade stöddata i stor skala.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/sv/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.
- Siamesiskt neuralt nätverkDjupinlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →