| http://dbpedia.org/ontology/abstract
|
A Siamese neural network (sometimes called … A Siamese neural network (sometimes called a twin neural network) is an artificial neural network that uses the same weights while working in tandem on two different input vectors to compute comparable output vectors. Often one of the output vectors is precomputed, thus forming a baseline against which the other output vector is compared. This is similar to comparing fingerprints but can be described more technically as a distance function for locality-sensitive hashing. It is possible to build an architecture that is functionally similar to a siamese network but implements a slightly different function. This is typically used for comparing similar instances in different type sets. Uses of similarity measures where a twin network might be used are such things as recognizing handwritten checks, automatic detection of faces in camera images, and matching queries with indexed documents. The perhaps most well-known application of twin networks are face recognition, where known images of people are precomputed and compared to an image from a turnstile or similar. It is not obvious at first, but there are two slightly different problems. One is recognizing a person among a large number of other persons, that is the facial recognition problem. DeepFace is an example of such a system. In its most extreme form this is recognizing a single person at a train station or airport. The other is face verification, that is to verify whether the photo in a pass is the same as the person claiming he or she is the same person. The twin network might be the same, but the implementation can be quite different.the implementation can be quite different.
, Un réseau neuronal siamois (parfois appelé … Un réseau neuronal siamois (parfois appelé réseau neuronal jumeau) est un réseau neuronal artificiel qui utilise les mêmes poids tout en travaillant en tandem sur deux vecteurs d'entrée différents pour calculer des vecteurs de sortie comparables. Souvent, un des vecteurs de sortie est précalculé, formant ainsi une ligne de base à laquelle l'autre vecteur de sortie est comparé. Ceci est similaire à la comparaison d'empreintes digitales, mais peut être décrit plus techniquement par une fonction de distance. Des utilisations sont p.ex. la reconnaissance d'écriture manuscrite, la détection automatique des visages, le suivi d'objets (voir ci-dessous) et la correspondance des requêtes avec des documents indexés. L'application peut-être la plus connue des réseaux siamois est la reconnaissance faciale, où des images connues de personnes sont précalculées et comparées à une image d'un tourniquet ou similaire. Il y a en fait deux problèmes légèrement différents. L'un est la reconnaissance d'une personne parmi un grand nombre d'autres personnes, c'est le problème de la reconnaissance faciale. DeepFace est un exemple d'un tel système. Dans sa forme la plus extrême, il s'agit de reconnaître une seule personne dans une gare ou un aéroport. L'autre est l'authentification faciale, c'est-à-dire vérifier que la personne présente est bien le propriétaire du laisser-passer présenté.e propriétaire du laisser-passer présenté.
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://doi.org/10.1007/978-1-0716-0826-5_3 +
|
| http://dbpedia.org/ontology/wikiPageID
|
59302425
|
| http://dbpedia.org/ontology/wikiPageLength
|
12321
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1109265194
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/DeepFace +
, http://dbpedia.org/resource/Triplet_loss +
, http://dbpedia.org/resource/Face_recognition +
, http://dbpedia.org/resource/Face_verification +
, http://dbpedia.org/resource/Springer-Verlag +
, http://dbpedia.org/resource/Handwriting_recognition +
, http://dbpedia.org/resource/Unsupervised_learning +
, http://dbpedia.org/resource/Euclidean_distance +
, http://dbpedia.org/resource/Face_detection +
, http://dbpedia.org/resource/Locality-sensitive_hashing +
, http://dbpedia.org/resource/Mahalanobis_distance +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Category:Neural_network_architectures +
, http://dbpedia.org/resource/Fingerprint +
, http://dbpedia.org/resource/Supervised_learning +
, http://dbpedia.org/resource/Contrastive_loss +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Citation_needed +
, http://dbpedia.org/resource/Template:Citation +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Neural_network_architectures +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Siamese_neural_network?oldid=1109265194&ns=0 +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Siamese_neural_network +
|
| owl:sameAs |
https://global.dbpedia.org/id/eLB1 +
, http://www.wikidata.org/entity/Q16831193 +
, http://fr.dbpedia.org/resource/R%C3%A9seau_neuronal_siamois +
, http://hy.dbpedia.org/resource/%D5%8D%D5%AB%D5%A1%D5%B4%D5%A1%D5%AF%D5%A1%D5%B6_%D5%B6%D5%A5%D5%B5%D6%80%D5%B8%D5%B6%D5%A1%D5%B5%D5%AB%D5%B6_%D6%81%D5%A1%D5%B6%D6%81%D5%A5%D6%80 +
, http://fa.dbpedia.org/resource/%D8%B4%D8%A8%DA%A9%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%B9%D8%B5%D8%A8%DB%8C_%D8%B3%DB%8C%D8%A7%D9%85%DB%8C +
, http://dbpedia.org/resource/Siamese_neural_network +
|
| rdfs:comment |
Un réseau neuronal siamois (parfois appelé … Un réseau neuronal siamois (parfois appelé réseau neuronal jumeau) est un réseau neuronal artificiel qui utilise les mêmes poids tout en travaillant en tandem sur deux vecteurs d'entrée différents pour calculer des vecteurs de sortie comparables. Souvent, un des vecteurs de sortie est précalculé, formant ainsi une ligne de base à laquelle l'autre vecteur de sortie est comparé. Ceci est similaire à la comparaison d'empreintes digitales, mais peut être décrit plus techniquement par une fonction de distance.echniquement par une fonction de distance.
, A Siamese neural network (sometimes called … A Siamese neural network (sometimes called a twin neural network) is an artificial neural network that uses the same weights while working in tandem on two different input vectors to compute comparable output vectors. Often one of the output vectors is precomputed, thus forming a baseline against which the other output vector is compared. This is similar to comparing fingerprints but can be described more technically as a distance function for locality-sensitive hashing.e function for locality-sensitive hashing.
|
| rdfs:label |
Réseau neuronal siamois
, Siamese neural network
|
