本文介绍了计算机视觉中的一次性学习挑战，特别是如何使用暹罗神经网络解决面部识别和护照检查等任务。通过对比经典卷积神经网络，解释了暹罗网络如何通过三重损失函数进行训练，实现对未知对象的比较，而不是传统的分类。虽然一次性学习存在局限性，如任务特异性，但它降低了大规模数据集的需求，为某些应用提供了实用的解决方案。
文 | AI国际站 唐恩
编 | 艾娃
本文由AI国际站 原创出品，未经许可，任何渠道、平台请勿转载，违者必究。
机场和边境口岸的护照检查提出了一个特殊的挑战：您如何确定站在您面前的人与护照上的照片是否是同一个人？边境和海关官员通过数十年的进化，使用人类视觉系统中根深蒂固的复杂机制解决了这一问题。这不是一个完美的过程，但是在大多数情况下效果都很好。
在人工智能领域，这被称为“一次性学习”挑战。您可以用一种更抽象的方式开发一种计算机视觉系统，该系统可以查看从未见过的两个图像并说出它们是否代表相同的对象吗？数据是深度学习中的关键挑战之一，深度学习是在计算机视觉领域最成功的人工智能分支。深度学习算法因需要大量训练示例来执行简单任务(例如检测图像中的对象)而广为人知。
但是有趣的是，如果配置正确，深度学习系统的关键组件即深度神经网络可以对简单任务执行一次性学习。近年来，一次性学习型AI已成功应用，包括面部识别和护照检查。
经典卷积神经网络
深度学习中最重要的架构之一是卷积神经网络(CNN)，这是一种特殊的神经网络，特别擅长处理可视数据。CNN的经典用法是建立多个卷积层(在卷积层之间以及之后的一些其他重要组件)，指定输出目标，并在许多
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
