Học Tăng Cường Tự Giám Sát Ít Mẫu
Học Tăng Cường Tự Giám Sát Ít Mẫu (SSL-FSL) kết hợp tiền huấn luyện tự giám sát trên các kho ngữ liệu lớn không nhãn với học siêu cấp ít mẫu để một mô hình có thể nhận dạng các lớp mới chỉ từ một số ít ví dụ có nhãn. Bằng cách học các biểu diễn phong phú, có thể chuyển giao mà không cần chú thích tốn kém, SSL-FSL giải quyết nút thắt cơ bản của các phương pháp ít mẫu có giám sát: nhu cầu về dữ liệu hỗ trợ có nhãn ở quy mô lớn.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/vi/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.
- Mạng nơ-ron SiameseHọc sâu↔ compare
- Transfer LearningHọc máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →