one-shot learning、Siamese网络、Triplet loss、面部验证和二分类

目录

1.one-shot learning(一次学习)

one-shot learning就是对某一类别只提供一个或者少量的训练样本。

而很小的训练集不足以训练一个稳健的神经网络。

为了解决这个问题，需要首先训练一个 similarity function：d(img1,img2)，用于表示两张图片的差异程度。

当d(img1,img2)<=，我们认为两张图一样（为设定的阈值）。

待识别图片分别和数据库中的人脸图片进行上述这样一个判断，就能达到人脸识别的效果。

2.Siamese网络

该神经网络定义了一个编码函数(encoding)：，给定输入为的话。

如果图片和是同一个人，d(img1,img2)=，要尽可能得小。

我们需要做的就是通过反向传播去不断调整网络的参数。

3.Triplet loss（三元组损失函数）

该函数的定义基于anchor、positive、negative三张图片(简写为A,P,N)，A和P相像，A和N不相像。

定义loss 函数：，α为间隔参数，>0(为了防止所有图像的f都是0向量)。

定义cost 函数：，使用该成本函数进行梯度下降，来训练你的网络。

如何选择训练的三元组(A,P,N)？

如果随机选择的话，d(A,P)+α<=d(A,N)很容易满足，这样网络很难从中学到什么。

所以要选择那些难训练的（A,P,N），比如d(A,P)≈d(A,N)这种情况。

4.面部验证和二分类(face verification and binary classification)

将人脸验证转换为二分类问题。

输入一对图片，输入0或1。最后一个单元可以是逻辑回归单元。

人脸验证vs人脸识别：人脸验证是提供人脸图片和name/ID，判断是否一致。人脸识别是提供人脸图片，输出name/ID。