الدليل الفني
الشبكات السيامية والخسارة الثلاثية
تستخدم الشبكات السيامية فرعين أو أكثر متطابقين لتقاسم الوزن لمعرفة مدى تشابه المدخلين، بدلاً من تصنيف كل منهما.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
تدربهم الخسارة الثلاثية عن طريق جمع العناصر المتطابقة معًا وإبعاد العناصر غير المتطابقة، وهو العمود الفقري للتعرف على الوجه، والتحقق من التوقيع، والتعلم بلقطة واحدة.
الغوص العميق
تقوم الشبكة السيامية بتشغيل كل مدخل من خلال نفس جهاز التشفير بأوزان مشتركة، مما ينتج عنه ناقل تضمين لكل منها. بدلاً من التنبؤ بتسمية الفئة، فإنه يقارن التضمينات باستخدام مسافة مثل الإقليدية أو جيب التمام. يتيح ذلك للنظام التعرف على الفئات الجديدة التي لم يتدرب عليها مطلقًا - وهو أمر بالغ الأهمية عندما يكون لديك مثال واحد فقط أو عدد قليل من الأمثلة لكل هوية (التعلم مرة واحدة). استخدمت الإصدارات المبكرة الخسارة المتباينة في الأزواج (المتشابهة مقابل غير المتشابهة). أدى فقدان الثلاثي إلى تحسين ذلك من خلال التدريب على ثلاثة مدخلات في وقت واحد: مرساة، وإيجابية (نفس فئة المرساة)، وسالبة (فئة مختلفة). يفرض الهدف أن تكون مسافة الارتساء الإيجابية أصغر من مسافة الارتساء السالبة بهامش، لذلك يتعلم النموذج مساحة التضمين حيث تتجمع عناصر الهوية نفسها بإحكام وتبقى الهويات المختلفة متباعدة.
التنفيذ في العالم الحقيقي
التعرف على الوجه على الهواتف (نمط FaceNet): التحقق من الهوية عن طريق التحقق مما إذا كانت زخارف الوجه قريبة بدرجة كافية.
التحقق من التوقيع والكتابة اليدوية، مما يؤكد ما إذا كانت العينة تتطابق مع مرجع موجود في الملف.
الكشف عن التكرارات وشبه المكررة، والعثور على صور منتجات متشابهة بصريًا أو صور مسروقة.
التعلم مرة واحدة للفئات النادرة، والتعرف على شخص أو كائن جديد من مثال واحد مسجل.
مستقبل الشبكات السيامية والخسارة الثلاثية
الفكرة الأساسية - تعلم مساحة التضمين حيث تساوي المسافة التشابه - تقود الآن التعلم المتباين على نطاق واسع. تعمل طرق مثل SimCLR ونماذج مثل CLIP على تعميم نفس المبدأ على ملايين الصور وأزواج النصوص دون وجود ثلاثة توائم واضحة. نتوقع أن يظل التعلم المتري عنصرًا أساسيًا في الاسترجاع وإلغاء البيانات المكررة والتوصية والبحث في قواعد البيانات المتجهة، في حين أن الخسائر الأحدث (InfoNCE، التشابه المتعدد) والدفعات الكبيرة تحل بشكل متزايد محل التعدين الثلاثي المضبوط يدويًا لتحقيق الكفاءة والحجم.
وضعها موضع التنفيذ
لماذا يهم
- التكلفة والميزانية. تؤدي قرارات الهندسة المعمارية إلى زيادة الأداء وتكلفة التشغيل لسنوات.
- قرارات أوضح. يساعد التعليم الفني الفرق على اختيار المجموعة المناسبة، وليس فقط المجموعة الأحدث.
- مراقبة الجودة. تعمل الخيارات الهندسية الأفضل على تقليل حوادث الموثوقية في الإنتاج.
احترس من
- يمكن أن يؤدي تحسين معيار واحد إلى إخفاء نقاط ضعف النظام الأوسع.
- غالبًا ما يتم التقليل من تكاليف البنية التحتية والصيانة.
- يمكن أن تنمو الفجوات الأمنية وقابلية المراقبة عندما تصبح الأنظمة أكثر تعقيدًا.
الخطوات التالية
- تحديد الكمون والجودة وأهداف التكلفة قبل التنفيذ.
- المعيار في ظل ظروف التحميل والبيانات الواقعية.
- مراقبة الأدوات للأخطاء والانجراف وتأثير المستخدم.
- قم بإعداد مسارات التراجع والاستجابة للحوادث قبل القياس.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Siamese Networks and Triplet Loss quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
ما هي الشبكات السيامية والخسارة الثلاثية؟
تستخدم الشبكات السيامية فرعين أو أكثر متطابقين لتقاسم الوزن لمعرفة مدى تشابه المدخلين، بدلاً من تصنيف كل منهما. تدربهم الخسارة الثلاثية عن طريق جمع العناصر المتطابقة معًا وإبعاد العناصر غير المتطابقة، وهو ما يمثل العمود الفقري للتعرف على الوجه، والتحقق من التوقيع، والتعلم بلقطة واحدة.
ما هي السمة المعمارية المميزة للشبكة السيامية؟
تضمن الفروع المتطابقة التي تتقاسم الوزن تعيين جميع المدخلات في نفس مساحة التضمين بحيث تكون المسافات قابلة للمقارنة.
في الخسارة الثلاثية، ما هي المدخلات الثلاثة؟
يستخدم فقدان الثلاثي مرساة وإيجابية (نفس الفئة) وسالبة (فئة مختلفة) لتشكيل مساحة التضمين.
ما الذي يفرضه هدف الخسارة الثلاثية؟
تدفع الخسارة الإيجابية أقرب من السلبية بهامش على الأقل، مما يؤدي إلى تجميع العناصر من نفس الفئة معًا.
لماذا يعتبر "التعدين السلبي الشديد" مهمًا للتدريب على الخسارة الثلاثية؟
إذا كانت النتيجة السلبية بعيدة بالفعل، فإن الخسارة تكون صفرًا؛ إن اختيار السلبيات القريبة بشكل مخادع يمنح النموذج شيئًا ذا معنى للتعلم.
ما هي القدرة التي تجعل الشبكات السيامية ذات قيمة في "التعلم مرة واحدة"؟
ولأنهم يتعلمون التشابه بدلاً من التسميات الثابتة، يمكنهم التعرف على هوية جديدة تمامًا من مثال واحد مسجل فقط.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع