DalšíDalší průvodce
Trojitá ztráta a metrické učení
Základy
Technický PRŮVODCE
Siamské sítě používají dvě nebo více identických větví se sdílením váhy, aby se naučily, jak podobné jsou dva vstupy, než aby každý z nich klasifikovaly.
Poslechněte si tento návodAI-vyprávěný · ~2 min
Triplet loss trains them by pulling matching items together and pushing mismatches apart, which is the backbone of face recognition, signature verification, and one-shot learning.
Siamská síť provozuje každý vstup přes stejný kodér se sdílenými váhami a pro každý vytváří vektor vkládání. Namísto predikce označení třídy porovnává vložení pomocí vzdálenosti, jako je euklidovská nebo kosinusová. To umožňuje systému rozpoznat nové kategorie, na kterých se nikdy necvičil – což je zásadní, když máte pro každou identitu pouze jeden nebo několik příkladů (jednorázové učení). Dřívější verze používaly kontrastní ztrátu na párech (podobné vs. nepodobné). Ztráta tripletů to zlepšila trénováním na třech vstupech najednou: kotva, pozitivní (stejná třída jako kotva) a negativní (jiná třída). Cíl nutí, aby vzdálenost kladné kotvy byla o okraj menší než vzdálenost záporná kotvy, takže model se učí vkládací prostor, kde se položky stejné identity těsně shlukují a různé identity zůstávají daleko od sebe.
Rozpoznávání obličeje na telefonech (styl FaceNet): ověření identity kontrolou, zda jsou dva vložené obličeje dostatečně blízko.
Ověření podpisu a rukopisu, potvrzení, zda se vzorek shoduje s odkazem v souboru.
Detekce duplicit a téměř duplicit, nalezení vizuálně podobných fotografií produktů nebo plagiátů.
Jednorázové učení pro vzácné kategorie, rozpoznání nové osoby nebo předmětu z jediného zapsaného příkladu.
Základní myšlenka – naučit se prostor, kde se vzdálenost rovná podobnosti – nyní řídí rozsáhlé kontrastní učení. Metody jako SimCLR a modely jako CLIP zobecňují stejný princip na miliony obrázků a textových párů bez explicitních trojic. Očekávejte, že učení metriky zůstane ústředním bodem vyhledávání, deduplikace, doporučení a vyhledávání ve vektorové databázi, zatímco novější ztráty (InfoNCE, vícepodobnost) a velké dávky stále častěji nahrazují ručně vyladěné dolování tripletů z důvodu efektivity a rozsahu.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Siamské sítě používají dvě nebo více identických větví se sdílením váhy, aby se naučily, jak podobné jsou dva vstupy, než aby každý z nich klasifikovaly. Ztráta tripletů je trénuje tím, že spojuje shodné položky dohromady a odsouvá neshody od sebe, což je páteř rozpoznávání obličejů, ověřování podpisů a jednorázového učení.
Identické větve se sdílením hmotnosti zajišťují, že všechny vstupy jsou mapovány do stejného prostoru pro vkládání, takže vzdálenosti jsou srovnatelné.
Ztráta tripletů používá kotvu, kladnou (stejná třída) a zápornou (jiná třída) k tvarování prostoru pro vkládání.
Ztráta posouvá kladnou hodnotu blíže než zápornou alespoň o okraj a sdružuje položky stejné třídy dohromady.
Pokud je záporné číslo již daleko, ztráta je nulová; výběr klamně blízkých záporů dává modelu něco smysluplného, co se naučit.
Protože se učí podobnosti spíše než pevným štítkům, dokážou rozpoznat zbrusu novou identitu pouze z jednoho zaregistrovaného příkladu.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Trojitá ztráta a metrické učení
Základy