few-shot learning(二)：Siamese Network

Siamese Network:孪生网络，更准确的翻译是连体网络。

本次介绍两种训练Siamese Network的方法：

learning Pairwise Similarity Scores

主要思想：每次取两个样本，计算相似度。

• 在大训练集上训练神经网络，首先使用训练集构造正负样本。正样本告诉神经网络什么样本是同一类，负样本告诉样本之间的区别。

具体的，正样本的构造：在训练集中随机抽取图片，在同一类别中在随机抽样一张，并且相似度置为1。

负样本，在训练集中随机抽取图片，排除这一类别，再随机抽样一张，相似度置为0

•  搭建卷积神经网络提取特征

• 训练神经网络，要准备同样数量的正负样本。

注意，两个f是同一个神经网络。最终sigmoid输出越接近1，相似度越高。

• 训练好网络后，做one-shot预测，选相似度最高的

 Tripler Loss

• 训练集的准备：每次选出三张图片做训练。首先随机选中一张图片做锚点（anchor），再从锚点的类别中随机抽样一张作为正样本，排除掉该类别，随机抽样得到负样本。
• 将三个样本送入神经网络，提取特征。

 

•  如下图所示，显然，d+应该小一些，d-应该大一些。定义损失函数：

• 训练好网络后，做one-shot预测，找距离最小的。

总结