孪生网络SiameseNet

传统的分类模型需要确切知道每个样本的标签属于那个类，而标签的数量通常相对较少。在类别数量特别对，标签相对少的情况下，有些类别可能根本就没有标签，比如人类第一次见到的生物物种往往是叫不出来名字的，这时进行分类可以考虑孪生网络（Siamese Network）。孪生网络不仅能从给定的数据中学习一个相似性的度量，而且还能利用所学的度量从给定的数据中学习一个相似性度量，而且还能利用所学的度量去比较和匹配新样本以确定类别。孪生网络的基本思想时构造一个函数将输入映射到目标空间，在目标空间通过简单的距离（例如，欧式距离，cos）计算相似度。

孪生网络本质上是一种判断两个输入模式是否相似的通用框架，优点在于对领域知识的依赖性较低。从框架图可以看出，孪生网络有两个输入X1和X2(比如两幅图像)他们分布同时经过两个结构相同、权值绑定的双胞胎子网络，得到低维表示GW(X1)和GW(X2)，最后输出他们之间的相容性，用L表示：

L=Ew(X1,X2)=||Gw(X1)-Gw(X2)||

由于双胞胎自网络计算的是相同的函数，所以能保证两个非常相似的输入不会被各自的自网络映射到目标空间中非常不同的位置，从而近似维持他们在输入空间的“语义”距离。此外，如果两个输入不太相似，属于不同的类比，双胞胎子网络应该输出两个差别较大的结果。
孪生网络已经在人脸验证和识别中获得了非常成功的应用，但注意在进行识别和分类的时候，孪生网络通常还需要和其他模型联合使用。