tag yuz-tanima

Siamese Network (Siyam Ağı)

Bu sayfada yuz-tanima (Siamese Network (Siyam Ağı)) etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

Siyam Ağı (Siamese Network), ağırlık paylaşan iki veya daha fazla özdeş alt ağ (branch) kullanarak girdi çiftleri ya da üçlüleri arasındaki benzerliği öğrenen derin öğrenme mimarisidir. Adını 19. yüzyılda ünlü ikiz Chang ve Eng Bunker'dan alan bu mimari, paralel dalların aynı parametre setini paylaşması nedeniyle farklı girdileri tutarlı bir gömülü uzay (embedding space) içine eşler: benzer öğeler bu uzayda birbirine yakın, farklı öğeler ise uzak noktalara yerleşir. Temel çalışma ilkesi şöyledir: iki girdi (örneğin iki yüz fotoğrafı) tamamen özdeş ağırlıklara sahip iki daldan geçerek birer özellik vektörüne dönüştürülür; ardından bu vektörler arasındaki Öklid ya da kosinüs mesafesi bir kayıp fonksiyonuyla optimize edilir. Yaygın kayıp fonksiyonları contrastive loss (benzer çiftlerin mesafesini küçültür, farklı çiftlerin mesafesini artırır) ve triplet loss'tur (bir "çapa" örneğin benzerine yakın, farklısına ise uzak kalması için cezalandırılır). Mimari ilk kez 1994'te Bromley ve arkadaşları tarafından el yazısı imza doğrulama için önerildi. Koch et al. (2015), bunu one-shot görüntü tanımaya uyarladı. Google'ın FaceNet modeli (Schroff et al., 2015), triplet loss ile eğitilmiş siyam benzeri mimarisini yüz tanımada insan performansını aşan sonuçlara ulaşmak için kullandı. Siyam ağları; yüz tanıma, biyometrik kimlik doğrulama, el yazısı ve imza doğrulama, görüntü benzerliği arama, belge eşleştirme ve tıbbi görüntü analizi gibi alanlarda özellikle değerlidir. Sınıf başına yalnızca birkaç eğitim örneği mevcutken bile çalışabildiğinden one-shot ve few-shot öğrenme senaryolarının tercih edilen mimarisidir. PyTorch ve TensorFlow'da paylaşımlı katman (shared weights) mekanizmasıyla kolayca uygulanır. Türkiye'de e-devlet biyometrik sistemleri, bankacılıkta imza doğrulama ve güvenlik kamerası tabanlı erişim kontrolünde siyam ağı temelli modeller aktif biçimde kullanılmaktadır.

code_blocks

Siamese Network (Siyam Ağı)

Siyam Ağı (Siamese Network), ağırlık paylaşan iki veya daha fazla özdeş alt ağ (branch) kullanarak girdi çiftleri ya da üçlüleri arasındaki benzerliği öğrenen derin öğrenme mimarisidir. Adını 19. yüzyılda ünlü ikiz Chang ve Eng Bunker'dan alan bu mimari, paralel dalların aynı parametre setini paylaşması nedeniyle farklı girdileri tutarlı bir gömülü uzay (embedding space) içine eşler: benzer öğeler bu uzayda birbirine yakın, farklı öğeler ise uzak noktalara yerleşir. Temel çalışma ilkesi şöyledir: iki girdi (örneğin iki yüz fotoğrafı) tamamen özdeş ağırlıklara sahip iki daldan geçerek birer özellik vektörüne dönüştürülür; ardından bu vektörler arasındaki Öklid ya da kosinüs mesafesi bir kayıp fonksiyonuyla optimize edilir. Yaygın kayıp fonksiyonları contrastive loss (benzer çiftlerin mesafesini küçültür, farklı çiftlerin mesafesini artırır) ve triplet loss'tur (bir "çapa" örneğin benzerine yakın, farklısına ise uzak kalması için cezalandırılır). Mimari ilk kez 1994'te Bromley ve arkadaşları tarafından el yazısı imza doğrulama için önerildi. Koch et al. (2015), bunu one-shot görüntü tanımaya uyarladı. Google'ın FaceNet modeli (Schroff et al., 2015), triplet loss ile eğitilmiş siyam benzeri mimarisini yüz tanımada insan performansını aşan sonuçlara ulaşmak için kullandı. Siyam ağları; yüz tanıma, biyometrik kimlik doğrulama, el yazısı ve imza doğrulama, görüntü benzerliği arama, belge eşleştirme ve tıbbi görüntü analizi gibi alanlarda özellikle değerlidir. Sınıf başına yalnızca birkaç eğitim örneği mevcutken bile çalışabildiğinden one-shot ve few-shot öğrenme senaryolarının tercih edilen mimarisidir. PyTorch ve TensorFlow'da paylaşımlı katman (shared weights) mekanizmasıyla kolayca uygulanır. Türkiye'de e-devlet biyometrik sistemleri, bankacılıkta imza doğrulama ve güvenlik kamerası tabanlı erişim kontrolünde siyam ağı temelli modeller aktif biçimde kullanılmaktadır.

arrow_forward