Module 04 · Special Applications: Face recognition & Neural Style Transfer
One Shot Learning一次学习
面部识别系统的一个主要挑战是需要解决 一次学习问题。这意味着，在大多数面部识别应用中，你需要能够仅凭 一张图片 或 一个示例 就能识别某个人。而 深度学习算法 在仅有一个训练样本的情况下往往表现不佳。
让我们通过一个示例来理解这个问题，并探讨如何解决它。
一次学习示例：如何通过一张图识别同一个人
假设你有一个员工数据库，其中包含四张员工的照片，这些员工是我在 Deeplearning AI 的同事，分别是：Khan、Danielle、Younes 和 Thian。
现在，假设有一个人来到公司，想通过 旋转门 进入，系统的任务是：
- 即使它只看到 Danielle 的一张照片，它也需要识别出这个人是否就是 Danielle。
- 如果出现了一个 不在数据库 中的人，系统也应该能识别出他并非数据库中的任何一个人。
在 一次学习 问题中，你必须从 仅有的一张照片 中学会识别一个人，并在之后的应用中做出准确判断。
这对于大多数面部识别系统非常重要，因为在员工数据库中，你可能只有每个员工的一张照片。
传统方法的局限性：训练集过小
一种常见的尝试方法是：
- 将一个人的图片输入到卷积神经网络（ConvNet）中，并通过 softmax 单元 输出一个标签（例如，输出 4 或 5 个类别，代表四个员工或“不是以上任何人”）。
- 然而，这种方法并不奏效。因为当你的训练集非常小（例如只有几张照片）时，这不足以训练一个足够健壮的神经网络。此外，如果有新成员加入你的团队，你又需要增加更多的输出节点来处理新的员工，这样就不得不重新训练整个神经网络，显然效率低下。
解决方案：学习相似度函数
为了应对这一挑战，我们不再使用传统的分类方法，而是学习一个 相似度函数（similarity function）。
具体来说，目标是训练一个神经网络来学习一个函数 d，它能够：
- 输入 两张图片，输出它们之间的差异程度。
- 如果两张图片是同一个人的照片，函数 d 应该输出一个 小的数字。
- 如果两张图片是两个人的照片，函数 d 应该输出一个 大的数字。
识别时的应用：
- 在识别阶段，如果两张图片的 差异度 小于某个阈值（τ），那么就认为这两张图片是同一个人。
- 如果差异度大于 τ，则认为这两张图片是不同的人。
如何实现一次学习
- 面部验证：我们首先使用这个相似度函数 d 解决面部验证问题。假设有一张新图片，我们就可以使用函数 d 来比较这张图片与数据库中的每一张图片的相似度：
- 比如，假设我们计算出的结果为 10，说明两者差异较大；
- 然后，我们将这个新图片与数据库中的其他照片进行比较，期望输出一个很小的值（例如：接近0）来证明它们是同一个人。
- 与数据库匹配：通过计算与数据库中所有其他图片的相似度，我们可以确定这张新照片到底属于谁。
- 如果与数据库中的图片（例如 Danielle）的差异度小，则认为这两张图片属于同一个人。
- 如果与所有数据库中的图片的差异度都很大（例如差异度 > τ），则认为这张照片不是数据库中的任何一个人。
解决一次学习问题的关键
通过学习这个相似度函数 d，它能够输入两张图片并告诉你它们是同一个人还是不同的人，你就能解决 一次学习问题。
- 一旦你学会了这个函数，添加新成员到数据库中时，你无需重新训练整个系统。只需为新成员添加一张照片，系统就能正常工作。
总结
在本视频中，我们展示了如何通过学习一个相似度函数来解决 一次学习问题。该函数的目标是，通过对两张图片的比较，判断它们是否是同一个人。
这使得面部识别系统能够在只有一个训练样本的情况下，依然有效地识别和验证新的人物。
在下一个视频中，我们将深入探讨如何训练神经网络来学习这个相似度函数 d，并具体实现 一次学习。