VolgendeVolgende gids
Tripletverlies en metrisch leren
Grondbeginselen
Technische GIDS
Siamese netwerken gebruiken twee of meer identieke, gewichtsdelende takken om te leren hoe vergelijkbaar twee inputs zijn, in plaats van ze allemaal te classificeren.
Luister naar deze gidsAI-verteld · ~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.
Een Siamees netwerk voert elke invoer door dezelfde encoder met gedeelde gewichten, en produceert voor elke invoer een inbeddingsvector. In plaats van een klassenlabel te voorspellen, vergelijkt het inbedding met behulp van een afstand zoals Euclidisch of cosinus. Hierdoor kan het systeem nieuwe categorieën herkennen waarop het nooit heeft getraind – cruciaal als je slechts één of enkele voorbeelden per identiteit hebt (one-shot learning). Vroege versies gebruikten contrastief verlies op paren (vergelijkbaar versus ongelijk). Tripletverlies verbeterde dit door op drie inputs tegelijk te trainen: een anker, een positieve (dezelfde klasse als het anker) en een negatieve (andere klasse). Het doel dwingt de anker-positieve afstand om kleiner te zijn dan de anker-negatieve afstand met een marge, zodat het model een inbeddingsruimte leert waar items met dezelfde identiteit strak clusteren en verschillende identiteiten ver uit elkaar blijven.
Gezichtsherkenning op telefoons (FaceNet-stijl): identiteit verifiëren door te controleren of twee gezichtsinsluitingen dichtbij genoeg zijn.
Handtekening- en handschriftverificatie, waarbij wordt bevestigd of een monster overeenkomt met een referentie in het bestand.
Duplicaat- en bijna-duplicaatdetectie, waarbij visueel vergelijkbare productfoto's of geplagieerde afbeeldingen worden gevonden.
One-shot learning voor zeldzame categorieën, waarbij een nieuwe persoon of object wordt herkend aan de hand van een enkel ingeschreven voorbeeld.
Het kernidee – leer een inbeddingsruimte waar afstand gelijk staat aan gelijkenis – drijft nu grootschalig contrastief leren aan. Methoden als SimCLR en modellen als CLIP generaliseren hetzelfde principe naar miljoenen afbeeldingen en tekstparen zonder expliciete tripletten. Verwacht dat metrisch leren centraal zal blijven staan bij het ophalen, ontdubbelen, aanbevelen en zoeken in vectordatabases, terwijl nieuwere verliezen (InfoNCE, multi-similarity) en grote batches in toenemende mate de met de hand afgestemde triplet-mining zullen vervangen vanwege efficiëntie en schaal.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Siamese netwerken gebruiken twee of meer identieke, gewichtsdelende takken om te leren hoe vergelijkbaar twee inputs zijn, in plaats van ze allemaal te classificeren. Triplet loss traint ze door overeenkomende items samen te brengen en mismatches uit elkaar te duwen, wat de ruggengraat is van gezichtsherkenning, handtekeningverificatie en one-shot learning.
Identieke takken met gewichtsverdeling zorgen ervoor dat alle inputs in dezelfde inbeddingsruimte worden toegewezen, zodat afstanden vergelijkbaar zijn.
Tripletverlies gebruikt een anker, een positief (dezelfde klasse) en een negatief (andere klasse) om de inbeddingsruimte vorm te geven.
Het verlies duwt het positieve met minstens een marge dichterbij dan het negatieve, waardoor items van dezelfde klasse bij elkaar worden geclusterd.
Als een negatief al ver weg is, is het verlies nul; Door bedrieglijk nauwe negatieven te kiezen, kan het model iets zinvols leren.
Omdat ze overeenkomsten leren in plaats van vaste labels, kunnen ze een geheel nieuwe identiteit herkennen aan slechts één ingeschreven voorbeeld.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Tripletverlies en metrisch leren
Grondbeginselen