DalšíDalší průvodce
Metriky vzdálenosti v strojovém učení
Základy
PRŮVODCE Základy
Ztráta tripletů učí neuronovou síť umisťovat podobné předměty blízko sebe a odlišné předměty daleko od sebe ve vkládacím prostoru.
Poslechněte si tento návodAI-vyprávěný · ~2 min
It is the foundation behind face recognition, image search, and recommendation systems that need to compare things rather than just classify them.
Metrické učení trénuje model tak, aby produkoval vložení, vektory, kde vzdálenost odráží podobnost. Ztráta tripletů to dělá pomocí tří vstupů najednou: kotva, kladná (stejná třída jako kotva) a záporná (jiná třída). Cíl tlačí kotvu blíže k pozitivu než k negativu alespoň o pevnou rezervu. Formálně je ztráta max(0, d(a,p) - d(a,n) + margin), kde d je obvykle euklidovská vzdálenost. FaceNet Google z roku 2015 tento přístup zpopularizoval a naučil se přímo vkládání 128rozměrných obličejů. Po proškolení porovnáte libovolné dvě položky pomocí výpočtu vzdálenosti, není třeba žádné přeškolování pro nové identity. Tato otevřená schopnost je důvodem, proč ověřování schopností učení metriky a klasifikace úloh vyhledávání nelze snadno zvládnout.
Ověření obličeje ve stylu FaceNet: telefony a pasové brány potvrzují identitu tím, že zkontrolují, zda dva vložené obličeje nespadají do limitu vzdálenosti.
Vizuální vyhledávání produktů: stránky elektronického obchodu umožňují nakupujícím nahrát fotografii a získat vizuálně podobné položky pomocí vyhledávání vložení nejbližšího souseda.
Ověření mluvčího: hlasoví asistenti vloží vzorek hlasu a porovnají jej se zaregistrovaným profilem, aby potvrdili, kdo mluví.
Ověření podpisu a rukopisu: banky vkládají reference a dotazují se na podpisy a označují padělky, když vzdálenost překročí naučenou rezervu.
Čistá tripletová ztráta je stále více nahrazována cíli pro celou dávku, jako je multi-similarita, proxy-anchor a kontrastivní ztráty (InfoNCE), které porovnávají mnoho párů na krok a konvergují rychleji. Metody s vlastním dohledem, jako je SimCLR, ukazují, že učení metriky může fungovat bez štítků, protože rozšířené pohledy považují za pozitiva. S nárůstem vektorových databází a generací s rozšířeným vyhledáváním se naučená vložení opírá o sémantické vyhledávání v měřítku miliardy položek, takže základní myšlenka podobnosti vzdálenosti jako podobnosti se stává důležitější, i když specifická formulace tripletů mizí.
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
Ztráta tripletů učí neuronovou síť umisťovat podobné předměty blízko sebe a odlišné předměty daleko od sebe ve vkládacím prostoru. Je základem systémů rozpoznávání obličejů, vyhledávání obrázků a doporučení, které potřebují věci spíše porovnávat, než je pouze klasifikovat.
Trojice se skládá z kotvy, kladu, který sdílí třídu kotvy, a záporu z jiné třídy.
Bez rezervy by model mohl mapovat vše do stejného bodu, čímž by všechny vzdálenosti byly nulové a triviálně uspokojil ztrátu. Okraj si vynucuje skutečné oddělení.
FaceNet Google použil triplet loss, aby se naučil vkládání kompaktních obličejů a nastavil měřítko v ověřování obličejů.
Model mapuje vstupy na vektory pro vkládání; potom položky porovnáte měřením vzdálenosti mezi jejich vloženími.
Protože rozpoznávání je založeno na vzdálenosti vložení, můžete zaregistrovat novou identitu jednoduše uložením jejího vložení, není nutné žádné přeškolování modelu.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Metriky vzdálenosti v strojovém učení
Základy