Siamese Network孪生网络

在前一个视频中，我们探讨了函数 d 的作用，即输入两张面部照片并告知它们有多相似或多不同。一种常见的解决方案是使用 Siamese 网络（孪生网络）。接下来，我们将深入了解这种网络架构。

---

传统卷积神经网络 vs. Siamese 网络

你可能已经熟悉这样的 卷积神经网络（CNN） 结构：

• 输入一张图片（例如：x₁），通过一系列的卷积层、池化层以及全连接层，最终得到一个特征向量。
• 该特征向量通常会传递给 softmax 单元进行分类，但在本视频中我们不使用分类。

我们将重点关注由网络中较深层的全连接层计算出的 128维特征向量。
我们可以把这个向量称作 f(x₁)，你可以将它视为输入图像 x₁ 的一种 编码。这意味着，网络将 x₁（例如 Kian 的照片）转化为一个包含 128 个数值的向量。

---

如何使用 Siamese 网络进行面部识别

为了比较两张图片，假设第一张图片为 x₁，第二张图片为 x₂，你可以这样做：

• 将第二张图片 x₂ 输入同一个神经网络，并通过相同的网络参数，计算出另一组 128维编码向量，我们称其为 f(x₂)。
• 这两张图片的编码是 f(x₁) 和 f(x₂)，表示两张图片的特征。

---

计算图片相似度：距离度量

• 如果你认为这些编码是对图片的良好表示，那么接下来的步骤就是计算 x₁ 和 x₂ 之间的距离度量。
• 这个距离度量可以通过计算它们的 编码差异的范数 来实现。

我们用公式表示：

其中，d(x₁, x₂) 表示 x₁ 和 x₂ 之间的距离，通常用向量的欧几里得范数表示。

---

Siamese 网络架构

这种方法，即对 两个不同输入 使用 相同的卷积神经网络 并进行比较，有时被称为 Siamese 网络架构。
许多关于这个想法的研究来源于 Yaniv Taigman、Ming Yang、Marc'Aurelio Ranzato 和 Lior Wolf 所开发的 DeepFace 系统。

---

训练 Siamese 网络：目标函数

要训练这种 Siamese 网络，我们需要确保 两个神经网络的参数相同。
目标是通过训练使得网络 编码出的特征向量 能够有效地计算出一个 距离函数 d，从而判断两张图片是否属于同一个人。

目标：

• 给定任意输入图片 xᵢ，神经网络输出 128维的编码 f(xᵢ)。
• 如果两张图片 xᵢ 和 xⱼ 属于同一个人，那么它们的 编码之间的距离应该较小。
• 如果两张图片属于不同的人，编码之间的 距离应该较大。

通过不断调整神经网络中所有层的参数，并使用 反向传播 算法，我们可以优化这些参数，使得 相似度函数 满足上述条件。

---

下一步：如何定义目标函数

你已经了解了 Siamese 网络架构，并对神经网络应该如何输出有效的 编码 有了初步了解。那么，接下来如何定义一个 目标函数 来训练神经网络，实现上述功能呢？

我们将在下一个视频中探讨如何使用 三元组损失函数（triplet loss function）来实现这一目标。

---

总结

在本视频中，我们探讨了如何利用 Siamese 网络 来解决面部识别中的 一-shot学习 问题。
通过学习图像的 128维编码 和计算 编码之间的距离，我们能够判断两张图片是否为同一个人。

在接下来的视频中，我们将继续深入了解如何使用 三元组损失函数 来训练网络并优化这一过程。