Siamese Sinir Ağı
Siamese Neural Network (Deep Metric Learning) · Ayrıca şöyle bilinir: twin network, Siamese neural network, contrastive metric network, Siyam ağı
Bir Siamese ağı, girdileri benzer girdilerin birbirine yakın, benzemeyen girdilerin ise birbirinden uzaklaştığı bir gömme (embedding) uzayına eşleyen, iki (veya daha fazla) özdeş, ağırlık paylaşan daldan oluşan derin bir mimaridir. 1993 yılında imza doğrulama için Bromley, LeCun ve arkadaşları tarafından tanıtılan ve tek atışlı (one-shot) görüntü tanıma için Koch ve diğerleri (2015) tarafından yeniden popülerleştirilen bu ağ, sabit sınıf etiketleri yerine bir benzerlik metriği öğrenir; bu da onu doğrulama, eşleştirme ve az örnekli (few-shot) görevler için ideal kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Siamese ağını benzerlik, doğrulama ve eşleştirme görevlerinde ve sınıfların çok sayıda, açık uçlu veya çok az örneğe sahip olduğu durumlarda — imza/yüz doğrulama, kişi yeniden tanımlama, imza ve görüntü eşleştirme, kopya/yakın kopya tespiti, cümle benzerliği ve tek/az örnekli tanıma — kullanın. Güçlü yönleri, yeniden kullanılabilir bir benzerlik metriği öğrenmesi ve görülmemiş sınıfları yeniden eğitim olmadan işlemesidir. Maliyetleri: çiftler/üçlüler üzerinde eğitilir, bu nedenle performans çift/üçlü örneklemeye (genellikle zor negatif madenciliği gerekir) büyük ölçüde bağlıdır, düz bir sınıflandırıcıdan daha zor eğitilebilir ve öğrenilen metrik yalnızca eğitim çiftlerinin kapsamı kadar iyidir. Sınıf kümesi sabit ve örnekler bol olduğunda, standart bir sınıflandırıcı daha basittir; modern kendi kendine denetimli kontrastif yöntemler, aynı ikiz kodlayıcı fikrini ölçeklendirir.
Güçlü yönler & sınırlılıklar
- Sabit bir etiket kümesi değil, yeniden kullanılabilir bir benzerlik metriği öğrenir.
- Açık uçlu/yeni sınıfları ve yeniden eğitim olmadan tek/az örnekli tanımayı ele alır.
- Ağırlık paylaşımı, karşılaştırılabilir ve anlamlı gömmeler sağlar.
- Modlar arasında (görüntüler, imzalar, metin, ses) çok yönlüdür.
- Çiftler/üçlüler üzerinde eğitilir; performans çift/üçlü örneklemeye bağlıdır.
- Genellikle zor negatif madenciliği gerektirir ve bir sınıflandırıcıdan daha zor eğitilir.
- Metrik yalnızca eğitim çiftlerinin kapsamı kadar genelleşir.
- Çiftli eğitim, etkili örnek başına hesaplama açısından daha ağır olabilir.
SSS
İki dal neden ağırlık paylaşmalıdır?
Ağırlık paylaşımı, her iki girdinin de tam olarak aynı fonksiyon tarafından aynı gömme uzayına eşlenmesini sağlar, böylece gömmeleri arasındaki mesafe anlamlı ve simetriktir. Paylaşılan ağırlıklar olmadan, iki dal benzer girdileri karşılaştırılamaz bir şekilde gömebilir, bu da öğrenilen mesafeyi güvenilmez hale getirir.
Kontrastif kayıp ile üçlü kayıp arasındaki fark nedir?
Kontrastif kayıp çiftler üzerinde çalışır: benzer çiftleri birbirine çeker, benzemeyen çiftleri bir marjın ötesine iter. Üçlü kayıp (anchor, positive, negative) üçlüsü üzerinde çalışır: anchor-positive mesafesini anchor-negative mesafesinden bir marj kadar daha küçük yapar. Üçlü kayıp doğrudan göreceli sıralamayı optimize eder ve modern metrik öğrenmede yaygındır.
Bir Siamese ağı tek atışlı tanımayı nasıl yapar?
Eğitim sırasında genelleştirilmiş bir benzerlik metriği öğrenir. Test zamanında sorguyu ve her aday referansı (sınıf başına bir örnek) gömer ve sorguyu en yakın referans gömmesine atar. Sabit etiketleri tahmin etmek yerine benzerlikleri karşılaştırdığı için, her yeni sınıf için tek bir referans yeterlidir — yeniden eğitim gerekmez.
Kaynaklar
- Bromley, J., Guyon, I., LeCun, Y., Säckinger, E., & Shah, R. (1993). Signature verification using a 'Siamese' time delay neural network. Advances in Neural Information Processing Systems, 6. link ↗
- Koch, G., Zemel, R., & Salakhutdinov, R. (2015). Siamese neural networks for one-shot image recognition. ICML Deep Learning Workshop. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Siamese Neural Network (Deep Metric Learning). ScholarGate. https://scholargate.app/tr/deep-learning/siamese-network
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Otomatik kodlayıcıDerin öğrenme↔ karşılaştır