เครือข่ายสยามและการสูญเสียแฝดสาม

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.

เครือข่ายสยามดำเนินการแต่ละอินพุตผ่านตัวเข้ารหัสเดียวกันโดยมีน้ำหนักร่วมกัน ทำให้เกิดเวกเตอร์แบบฝังสำหรับแต่ละรายการ แทนที่จะทำนายป้ายกำกับคลาส ระบบจะเปรียบเทียบการฝังโดยใช้ระยะห่าง เช่น ยุคลิดหรือโคไซน์ ซึ่งช่วยให้ระบบจดจำหมวดหมู่ใหม่ๆ ที่ไม่เคยฝึกมาก่อน ซึ่งสำคัญมากเมื่อคุณมีตัวอย่างเพียงตัวอย่างเดียวหรือสองสามตัวอย่างต่อข้อมูลระบุตัวตน (การเรียนรู้แบบครั้งเดียว) เวอร์ชันแรกใช้การสูญเสียแบบตรงกันข้ามกับคู่ (คล้ายกันกับต่างกัน) การสูญเสียแฝดช่วยปรับปรุงสิ่งนี้โดยการฝึกอินพุตสามรายการในคราวเดียว: สมอเรือ, ค่าบวก (คลาสเดียวกับสมอ) และค่าลบ (คลาสต่างกัน) วัตถุประสงค์บังคับให้ระยะห่างของจุดยึดบวกนั้นเล็กกว่าระยะห่างของจุดยึดลบด้วยระยะขอบ ดังนั้นโมเดลจึงเรียนรู้พื้นที่ฝังที่ซึ่งรายการที่มีตัวตนเหมือนกันจะรวมตัวกันอย่างแน่นหนา และตัวตนที่แตกต่างกันจะอยู่ห่างกัน