LegközelebbKövetkező útmutató
Hármas veszteség és metrikus tanulás
Alapok
Műszaki ÚTMUTATÓ
A sziámi hálózatok két vagy több azonos, súlymegosztó ágat használnak, hogy megtanulják, mennyire hasonló a két bemenet, ahelyett, hogy mindegyiket osztályoznák.
Hallgassa meg ezt az útmutatótAI-narrált · ~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.
A sziámi hálózat minden bemenetet ugyanazon a kódolón keresztül futtat, megosztott súlyokkal, mindegyikhez beágyazási vektort állítva elő. Ahelyett, hogy megjósolna egy osztálycímkét, a beágyazásokat olyan távolság használatával hasonlítja össze, mint az euklideszi vagy a koszinusz. Ez lehetővé teszi a rendszer számára, hogy felismerje az új kategóriákat, amelyekre soha nem oktatott – döntő fontosságú, ha identitásonként csak egy vagy néhány példa van (egyszeri tanulás). A korai verziók kontrasztív veszteséget alkalmaztak páron (hasonló vs. eltérő). A hármas elvesztése javított ezen azáltal, hogy egyszerre három bemeneten edzett: egy horgony, egy pozitív (ugyanaz az osztály, mint a horgony) és egy negatív (más osztály). Az objektív arra kényszeríti a horgony pozitív távolságát, hogy egy margóval kisebb legyen, mint a horgony negatív távolsága, így a modell megtanul egy beágyazási teret, ahol az azonos identitású elemek szorosan csoportosulnak, és a különböző azonosságok távol maradnak egymástól.
Arcfelismerés a telefonokon (FaceNet-stílus): személyazonosság ellenőrzése annak ellenőrzésével, hogy két arcbeágyazás elég közel van-e egymáshoz.
Aláírás és kézírás ellenőrzése, annak ellenőrzése, hogy a minta megfelel-e a fájlban található hivatkozásnak.
Ismétlődő és majdnem ismétlődő észlelés, vizuálisan hasonló termékfotók vagy plagizált képek keresése.
Egyszeri tanulás ritka kategóriákhoz, új személy vagy tárgy felismerése egyetlen bejegyzett példából.
Az alapötlet – tanulj meg egy olyan beágyazási teret, ahol a távolság egyenlő a hasonlósággal – most a nagyszabású kontrasztív tanulást ösztönzi. Az olyan módszerek, mint a SimCLR és az olyan modellek, mint a CLIP, ugyanazt az elvet általánosítják több millió képre és szövegpárra explicit hármasok nélkül. Várhatóan a metrikus tanulás központi szerepet játszik a visszakeresésben, a duplikálásban, az ajánlásban és a vektor-adatbázis-keresésben, míg az újabb veszteségek (InfoNCE, több hasonlóság) és a nagy tételek egyre inkább felváltják a kézzel hangolt tripletbányászatot a hatékonyság és a méretezés érdekében.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A sziámi hálózatok két vagy több azonos, súlymegosztó ágat használnak, hogy megtanulják, mennyire hasonló a két bemenet, ahelyett, hogy mindegyiket osztályoznák. A hármas elvesztése úgy edzi őket, hogy összehúzza az egyező elemeket, és széthúzza az egyező elemeket, ami az arcfelismerés, az aláírás-ellenőrzés és az egyszeri tanulás gerince.
A súlymegosztással azonos ágak biztosítják, hogy minden bemenet ugyanabba a beágyazási térbe kerüljön, így a távolságok összehasonlíthatók.
A hármas elvesztése egy horgony, egy pozitív (ugyanaz az osztály) és egy negatív (különböző osztály) elemet használ a beágyazási tér alakításához.
A veszteség legalább egy árréssel közelebb nyomja a pozitívat, mint a negatívat, és az azonos osztályú tételeket egybe csoportosítja.
Ha a negatív már messze van, a veszteség nulla; a megtévesztően közeli negatívumok kiválasztása értelmes tanulnivalót ad a modellnek.
Mivel a rögzített címkék helyett a hasonlóságot tanulják meg, egyetlen bejegyzett példából is felismerhetnek egy vadonatúj identitást.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Hármas veszteség és metrikus tanulás
Alapok