siamese網路從數據中去學習一個相似性度量，用這個學習出來的度量去比較和匹配新的未知類別的樣本。
基本介紹
- 中文名：Siamese結構
- 外文名：Siamese Architecture
- 又名：Siamese網路
Siamese結構的提出,主要思想,網路結構,損失函式定義,
Siamese結構的提出
Siamese網路是一種相似性度量方法，當類別數多，但每個類別的樣本數量少的情況下可用於類別的識別、分類等。由於每個類別的樣本太少，我們根本訓練不出什麼好的結果，所以只能去找個新的方法來對這種數據集進行訓練，從而提出了siamese網路。
主要思想
通過一個函式將輸入映射到目標空間，在目標空間使用簡單的距離（歐式距離等）進行對比相似度。在訓練階段去最小化來自相同類別的一對樣本的損失函式值，最大化來自不同類別的一堆樣本的損失函式值。
這個系統是用訓練集中的成對樣本進行訓練，當
和
屬於同一個類別時，最小化損失函式；當 和 屬於不同類別時，最大化損失函式。其中
除了需要可微外不需要任何的前提假設，因為針對成對樣本輸入，這裡兩個相同的函式G，擁有一份相同的參數W，即這個結構是對稱的，我們將它叫做siamese architecture。
網路結構
Siamese結構左右兩邊兩個網路是完全相同的網路結構，它們共享相同的權值W，輸入數據為一對圖片（X1,X2,Y）,其中Y=0表示X1和X2屬於同一個人的臉，Y=1則表示不為同一個人。即相同對為（X1,X2,0）,欺騙對為（X1,X2’,1）針對兩個不同的輸入X1和X2，分別輸出低維空間結果為
和
，它們是由X1和X2經過網路映射得到的。然後將得到的這兩個輸出結果使用能量函式
進行比較。
損失函式定義
假設損失函式只和輸入和參數有關，那么損失函式的形式為：
其中
是第i個樣本，是由一對圖片和一個標籤組成的，其中LG是只計算相同類別對圖片的損失函式，LI是只計算不相同類別對圖片的損失函式。P是訓練的樣本數。通過這樣分開設計，可以達到當最小化損失函式的時候，可減少相同類別對的能量，增加不相同對的能量。很簡單直觀的方法是，將LG設計成單調增加，讓LI單調遞減，但是要保證一個前提，不相同的圖片對距離肯定要比相同圖片對的距離大，那么就是要滿足：
總的損失函式為：
其中：
，Q是一個常量。
損失函式圖片