Réseaux siamois et quiz sur la perte de triplet

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quelle est la caractéristique architecturale déterminante d’un réseau siamois ?
   • Deux ou plusieurs branches identiques partageant les mêmes poids
   • Une seule branche sans couches cachées
   • Réseaux séparés avec des poids complètement indépendants
   • Une boucle récurrente au fil du temps
2. Dans la perte de triplet, quelles sont les trois entrées ?
   • Entrée, masqué, sortie
   • Ancrage, positif et négatif
   • Former, valider, tester
   • Encodeur, décodeur, classificateur
3. Qu’applique l’objectif de perte triple ?
   • L'ancre et le négatif doivent être identiques
   • Toutes les intégrations doivent être réduites à un seul point
   • La distance d'ancrage positive doit être inférieure de peu à la distance d'ancrage négative.
   • Le positif et le négatif doivent être à égale distance de l'ancre
4. Pourquoi le « minage dur-négatif » est-il important pour l’entraînement à la perte de triplet ?
   • Cela supprime tous les points positifs de la formation
   • Cela rend le réseau moins profond
   • Il remplace la métrique de distance par une étiquette
   • Les négatifs faciles satisfont déjà à la marge et ne produisent aucun dégradé utile
5. Quelle capacité rend les réseaux siamois précieux pour un « apprentissage ponctuel » ?
   • Ils peuvent comparer une nouvelle entrée à une seule référence et juger de la similarité, même pour des classes invisibles.
   • Ils ont besoin de milliers d'exemples étiquetés par classe
   • Ils classent uniquement dans des catégories fixes et prédéfinies
   • Ils ne peuvent pas généraliser au-delà des identités de formation
6. Comment un réseau siamois décide-t-il généralement si deux entrées correspondent ?
   • En additionnant leurs valeurs brutes de pixels
   • En comparant la distance entre leurs vecteurs d'incorporation à un seuil
   • En comptant le nombre de couches utilisées
   • En attribuant à chacun une étiquette de classe aléatoire
7. For triplet loss max(0, d(a,p) − d(a,n) + m), let d(a,p)=0.2, d(a,n)=0.8 and m=0.3. What is the loss?
   • 0.3
   • 0,5
   • 0
   • 1.1
8. What happens when a negative example is already farther from the anchor than the required margin?
   • The anchor and positive embeddings are discarded
   • The loss forces the negative closer to the anchor
   • The network switches to classification mode
   • The triplet loss becomes zero and that example gives no useful gradient