当前位置：首页 > wzjs >正文

自学建网站做网站优化网络营销手段有哪四种

wzjs 2025/8/17 19:14:23

自学建网站做网站优化,网络营销手段有哪四种,更改wordpress主题名称,网站的销售怎么做【深度学习|学习笔记】深度孪生神经网络Deep Siamese neural network（DSCN）的起源、发展、原理和应用场景（附代码） 【深度学习|学习笔记】深度孪生神经网络Deep Siamese neural network（DSCN）的起源、发展…

【深度学习|学习笔记】深度孪生神经网络Deep Siamese neural network（DSCN）的起源、发展、原理和应用场景（附代码）

文章目录

【深度学习|学习笔记】深度孪生神经网络Deep Siamese neural network（DSCN）的起源、发展、原理和应用场景（附代码）
前言
- 📜 起源
- - 早期应用：签名验证
  - 度量学习在视觉领域的引入
  - DrLIM：对比损失的理论化
- 💡 原理
- - 双分支共享权重
  - 对比损失（Contrastive Loss）
  - 三元组损失（Triplet Loss）
- 🚀 发展
- - 一拍类学习（One-shot Learning）
  - 人脸嵌入与验证
  - 全卷积目标跟踪（SiamFC）
  - 区域提议与强化跟踪
- 🔧 改进
- - 在线三元组挖掘
  - 注意力和多分支融合
  - 轻量化与加速
  - 自监督与对比学习
- 🌐 应用
- 🖥️ 代码示例（PyTorch）
- - - 说明：

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/146957339

前言

在深度学习领域，Siamese 网络通过“孪生”结构和度量学习，开创了基于相似度的模型训练方式，成为从手写签名验证到人脸识别、一拍类学习、目标跟踪等多种任务的重要基石。
其核心思想是两条共享参数的神经网络分别提取输入样本特征，再通过对比损失（contrastive loss）或三元组损失（triplet loss）学习一个距离度量，使相似样本在嵌入空间更靠近，不相似样本更远离。
早在1993年，它就用于笔迹签名验证；2005年被引入卷积架构；2015年在一拍类图像识别和人脸验证中大放异彩；随后在全卷积目标跟踪、深度度量学习等方向持续演进。

📜 起源

早期应用：签名验证

1993年，Bromley 等人提出基于“孪生时延神经网络（Siamese Time Delay Neural
Network）”的签名验证方法，即两条相同子网络分别处理两段签名轨迹，并在顶层计算特征距离以判定真伪。

度量学习在视觉领域的引入

2005年，Chopra、Hadsell 和 LeCun 将 Siamese 架构与卷积网络结合，用于人脸验证，提出了对比损失（contrastive loss），并在 AT&T、AR、FERET 等数据集上取得了优异性能。

DrLIM：对比损失的理论化

同期，Hadsell 等人在 CVPR 2006 上系统化了对比损失，提出 DrLI（Dimensionality Reduction by Learning an Invariant Mapping），使网络自动学习将相似样本映射到低维流形上的距离度量函数。

💡 原理

双分支共享权重

Siamese 网络由两条（或多条）相同结构、共享参数的子网络组成，分别提取不同输入样本的高维特征向量，然后通过能量函数（如欧氏距离）评估特征相似度。

对比损失（Contrastive Loss）

DrLIM 中的对比损失将“相似对”拉近、“不相似对”推远，定义为

其中 $D$ 为两向量欧氏距离， $Y∈{0,1}$ 表示标签， $m$ 为边界。

三元组损失（Triplet Loss）

为进一步提升学习效率，FaceNet 引入三元组损失，利用“锚点—正样本—负样本”三元组，优化

有效保障正负对之间的相对距离。

🚀 发展

一拍类学习（One-shot Learning）

2015年，Koch 等人应用 Deep Siamese Networks 实现一拍图像识别，仅需少量样本即可快速泛化，大幅推动小样本学习研究。

人脸嵌入与验证

同年，FaceNet 使用深度卷积网络+三元组损失，学习紧凑128维人脸嵌入空间，在 LFW、YouTube Faces 等数据集上刷新记录。

全卷积目标跟踪（SiamFC）

2016年，Bertinetto 等人提出 SiamFC，将 Siamese 架构与全卷积网络结合，实现 50–100 FPS
的实时目标跟踪。

区域提议与强化跟踪

随后出现 SiamRPN、DaSiamRPN、SiamMask 等系列，结合 RPN、注意力机制，进一步提升跟踪精度和鲁棒性。

🔧 改进

在线三元组挖掘

FaceNet 基于在线挖掘“半难”负样本，显著加速收敛并避免退化。

注意力和多分支融合

在手势识别、医学图像分析等场景，结合注意力模块和多尺度特征融合，提升细节捕捉能力。

轻量化与加速

将 MobileNet、ShuffleNet 等轻量主干应用于 Siamese 分支，实现移动端高效部署。

自监督与对比学习

近年 SimCLR、MoCo 等框架沿用对比学习范式，借鉴 Siamese 结构进行无监督特征预训练。

🌐 应用

✍️ 笔迹/签名验证：基于 Siamese TDNN 的在线签名真伪鉴定。
🧑‍🤝‍🧑 人脸识别/验证：FaceNet、DeepID 系列，实现大规模人脸认证与聚类。
🎯 目标跟踪：SiamFC、SiamRPN、SiamMask 等，实时稳定跟踪移动目标。
📷 图像检索：基于学到的相似度，检索最相近的图像集合，应用于电商、内容推荐等领域。
🧪 生物医学：细胞/组织样本匹配、异常检测，通过度量学习提升诊断准确率。
📊 小样本分类：一拍/零拍学习、嵌入式分类器，快速适应新类别。

🖥️ 代码示例（PyTorch）

下面以 MNIST 手写数字为例，构建一个简易 Siamese 网络并使用对比损失训练：

import torch
import torch.nn as nn
import torch.nn.functional as F
from torchvision import datasets, transforms
from torch.utils.data import DataLoader, Dataset
import random# 1. Siamese 子网络定义
class SiameseBranch(nn.Module):def __init__(self):super().__init__()self.conv = nn.Sequential(nn.Conv2d(1, 16, 3, 1),nn.ReLU(),nn.MaxPool2d(2),nn.Conv2d(16, 32, 3, 1),nn.ReLU(),nn.MaxPool2d(2))self.fc = nn.Sequential(nn.Linear(32*5*5, 128),nn.ReLU())def forward(self, x):x = self.conv(x)x = x.view(x.size(0), -1)return self.fc(x)# 2. Siamese 网络（两分支共享参数）
class SiameseNet(nn.Module):def __init__(self):super().__init__()self.branch = SiameseBranch()def forward(self, x1, x2):f1 = self.branch(x1)f2 = self.branch(x2)return f1, f2# 3. 对比损失
class ContrastiveLoss(nn.Module):def __init__(self, margin=1.0):super().__init__()self.margin = margindef forward(self, f1, f2, label):dist = F.pairwise_distance(f1, f2)loss = (1-label) * dist**2 + label * F.relu(self.margin - dist)**2return loss.mean()# 4. 构造成对数据集
class PairMNIST(Dataset):def __init__(self, train=True):self.data = datasets.MNIST('.', train=train, download=True,transform=transforms.ToTensor())def __len__(self): return len(self.data)def __getitem__(self, idx):img1, label1 = self.data[idx]# 随机选取同/不同类样本same = random.random() < 0.5if same:idx2 = random.choice([i for i,(img,l) in enumerate(self.data) if l==label1])label = 0else:idx2 = random.choice([i for i,(img,l) in enumerate(self.data) if l!=label1])label = 1img2, _ = self.data[idx2]return img1, img2, torch.tensor(label, dtype=torch.float32)# 5. 训练流程
device = 'cuda' if torch.cuda.is_available() else 'cpu'
dataset = PairMNIST(train=True)
loader  = DataLoader(dataset, batch_size=128, shuffle=True)
model   = SiameseNet().to(device)
criterion = ContrastiveLoss().to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)for epoch in range(5):total, running_loss = len(loader), 0.0for x1, x2, lbl in loader:x1,x2,lbl = x1.to(device), x2.to(device), lbl.to(device)f1,f2 = model(x1,x2)loss   = criterion(f1,f2,lbl)optimizer.zero_grad(); loss.backward(); optimizer.step()running_loss += loss.item()print(f"Epoch {epoch+1} Loss: {running_loss/total:.4f}")