الشبكات العصبية السيميزية للتعرف على الصور بمرة واحدة

يمكن أن يكون عملية تعلم الميزات الجيدة لتطبيقات التعلم الآلي مكلفة للغاية من حيث الحوسبة، وقد يصبح من الصعب تحقيقها في الحالات التي تكون فيها كمية البيانات محدودة. مثال بارز على ذلك هو بيئة التعلم من مثال واحد فقط (one-shot learning)، حيث يجب إجراء تنبؤات صحيحة بناءً على مثال واحد فقط لكل فئة جديدة. في هذه الورقة، نستعرض طريقة لتعلم الشبكات العصبية السيامية التي تعتمد على هيكل فريد يمكّنها من تصنيف التشابه بين المدخلات بشكل طبيعي. بمجرد تحسين الشبكة، يمكننا الاستفادة من الميزات التمييزية القوية لتوسيع قدرة الشبكة التنبؤية ليس فقط على البيانات الجديدة، بل أيضًا على فئات جديدة تمامًا من توزيعات غير معروفة. باستخدام بنية تلافيفية (convolutional architecture)، نتمكن من تحقيق نتائج قوية تفوق نتائج نماذج التعلم العميق الأخرى، وتحقيق أداء قريب جدًا من الحد الأقصى الممكن في مهام التصنيف من مثال واحد فقط.