One-Shot Learning

一、One-Shot Learning的意义

1. 减少训练数据

• 深度学习需要大量的数据
• 例：MNIST为了10个类别的区分，需要60000张训练图像，平均一个类别需要6000张训练图像
• One-Shot试图将一个类别的训练图像减少，极端情况时只有一张图片

2. 在新类别的数据出现时，无需重新训练

• 传统的神经网络无法处理没有出现在训练集中的类别
• 例：以员工刷脸打卡为例，使用深度神经网络，每一个新员工入职，都是一个类别，需要重新训练深度神经网络。如果每天都有新员工入职，每天都要重新训练网络，成本非常高
• One-Shot Learning可以无需重新训练即可应用于新的类别的数据
  
  

二、One-Shot Learning的原理

1. One-Shot与传统神经网络的区别

• 传统的神经网络试图学习某一个类别图像的内部表达
• One-Shot Learning试图学习不同图像之间的区别（可以是同一类别or不同类别）

3. 图像之间的相似度

• 图像相似度
  1）给定图片A和图片B，将A转换为一个表达P(embedding vector) ，将B转换一个表达Q
  2）如果A和B属于同一个类别，那么我们希望P和Q相似
  3）如果A和B不属于同一个类别，那么我们希望P和Q不相似

• 相似度度量
  1）可以采用欧几里得距离，但是一般不选用这种度量方式

欧几里得距离.png


2）Siamese Network方式 Siamese网络结构.png