شبکه سیامی (Siamese Network)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه سیامی (Siamese Network) :
شبکه سیامی (Siamese Network) توسط بروملی و همکاران در سال ۱۹۹۳ برای تطبیق امضا معرفی شد. این شبکه از دو زیرشبکه یکسان (با وزن های مشترک) تشکیل شده که دو ورودی مختلف را دریافت کرده و بردارهای ویژگی (embeddings) تولید می کنند. سپس فاصله (معمولا فاصله اقلیدسی یا کسینوسی) بین این دو بردار محاسبه می شود. هدف یادگیری این است که نمونه های مشابه (مثلا دو تصویر از یک شخص) فاصله کم و نمونه های نامشابه فاصله زیادی داشته باشند.
تابع هزینه متداول، تابع هزینه کنتراستیو (contrastive loss) است:
\[ \mathcal{L} = y \cdot D^2 + (1-y) \cdot \max(0, m - D)^2 \]که
\[ y=1 \]برای جفت های مشابه و
\[ y=0 \]برای نامشابه،
\[ D \]فاصله بین embeddings، و
\[ m \]حاشیه (margin) است. نوع دیگر، triplet loss است که با سه نمونه (anchor, positive, negative) کار می کند.
کاربردها: تشخیص چهره (مانند FaceNet)، تطبیق امضا، تشخیص اشیاء، یادگیری با نمونه کم (one-shot learning). شبکه سیامی به دلیل وزن های مشترک، کارآمد است و می تواند برای مسائلی با تعداد کلاس های زیاد یا کلاس های نادیده (unseen) استفاده شود.
مزایا: قابلیت یادگیری معیار شباهت، عدم نیاز به بازتعریف برای کلاس های جدید. معایب: نیاز به طراحی دقیق جفت های آموزشی، حساسیت به انتخاب حاشیه.
