Machine Translated by Google

Toplu Normalleştirilmiş Siyam Ağı Derin Öğrenme

Tabanlı Görüntü Benzerliği Tahmini
M. Shyamala Devi J. Arun Pandian Aparna Joshi
Bilgisayar Bilimi Mühendisliği Bilgi Teknolojisi ve Mühendisliği Okulu, Bilgi Teknolojisi Departmanı, Ordu Teknoloji
Vel Tech Rangarajan Dr. Sagunthala Bilim Vellore Enstitüsü, Pune aparna.joshi82@gmail.com
ve Teknoloji Ar-Ge Enstitüsü Teknoloji Enstitüsü, Vellore, Hindistan
Chennai,
Tamilnadu, Hindistan aparunpandian@gmail.com
utanmalapmr@gmail.com

Yeluri Praveen
Bilgisayar Bilimi Mühendisliği
Vel Tech Rangarajan Dr. Sagunthala Bilim
ve Teknoloji Ar-Ge Enstitüsü
Chennai,
Tamilnadu, Hindistan
vtu15374@veltech.edu.in

Özetçe— İki farklı görüntünün eşit olup olmadığının Tahmin yapmak için Siyam ağı olarak bilinen tek seferlik
değerlendirilmesine aslında görüntü benzerliği ve tutarlılığı adı sınıflandırma modeli. Daha az bilgi gerektirdiği için sınıf
verilmektedir. Başka bir deyişle, iki görüntüdeki yoğunluk desenlerinin eşitsizliğine karşı da dayanıklıdır. İnsanlar farklı
birbiriyle ne kadar karşılaştırılabilir olduğunu ölçer. Bunu başarmak kalıpları öğrenme ve tanıma konusunda oldukça yeteneklidir.
için araştırmacılar, karşılaştırılabilir tanımlayıcı çiftlerini Araştırmacılar, özellikle uyaranlara maruz kaldıklarında
belirlemek amacıyla görüntü tanımlayıcılarını yinelemeli olarak insanların yeni fikirleri hızlı bir şekilde edinme ve daha sonra
inceler. İlgili tanımlayıcıların sayısı önceden belirlenmiş bir eşiği
bu fikirlerin gelecek algılarındaki çeşitlemelerini ayırt etme
aşarsa ve her iki görüntü de aynı varlığı sergilerse, iki görüntünün
yeteneğine sahip göründüklerini fark ediyorlar. Benzerlik edinimi
karşılaştırılabilir olduğu kabul edilir. Görüntü benzerliğinin
olarak bilinen denetimli makine öğrenimi alanında amaç, iki öğe
hesaplanması, uygulamanın üretimi için zorunlu süreç olan çeşitli
arasındaki benzerlik veya ilişkinin derecesini hesaplayan ve bir
uygulamalar için kullanılır. Bu amaçla, görüntü benzerliği tahmininin
uygulanması için KAGGLE'nin Fashion MNIST veri seti kullanılmıştır. Bu benzerlik derecesi sağlayan bir benzerlik amacı geliştirmektir.
makale, görüntü benzerliğini hesaplamak için Toplu Normalleştirilmiş Siyam
Ağı (BNSN) derin öğrenme tabanlı modeli önermektedir. BNSN modeli iki
II. LİTERATÜR TARAMA
alt ağ ile tasarlanmıştır.
Şeyler karşılaştırılabilir olduğunda benzerlik puanı
iki giriş görüntüsünün özellik vektörleri. Lambda toplu normalizasyonu, görüntü daha güçlü olur; farklı olduklarında benzerlik puanı daha düşüktür.
benzerliğini tahmin etmek için tek yoğun katmanla gerçekleştirilir; etiket 0 Basitçe bu vektörler arasındaki mesafeyi ölçerek bunların benzer
aynı görüntüleri belirtir ve etiket 1 farklı görüntüleri belirtir. 30.000 eğitim mi yoksa birbirlerinden çok farklı mı olduğunu belirleyebiliriz.
görüntüsü BNSN ile donatıldı ve 30.000 görüntüyle test edildi. Python, toplu Görüntüler arasında benzerlik kriteri öğrenilerek kolaylıkla
aiarsil3
i,yckrn
ısarraa l0elilU
2uee
sikg
tş B
2
E
v

iş boyutu 64 ve 30 eğitim dönemi olan bir Geforce Tesla V100 NVidia Grafik yapılabilecek, belirtilen iki resim arasındaki benzerliklerin
kartı web sunucusunda uygulandı. belirlenmesi temel sorunlardan biridir. Siyam Evrişimli Sinir
Ağlarının yardımıyla bu kolayca başarılabilir. Siyam
Eğitim görüntüleri aynı zamanda geleneksel görüntü benzerliği yöntemiyle
CNN'leri, farklı türdeki resim çiftleri arasındaki benzerlik ölçümünü
de test edilmiştir ve önerilen BNSN'nin uygulanması %91,91 doğruluk,
öğrenme yeteneğine sahiptir [1]. Evrişimli sinir ağlarının
%92,93 kesinlik, %90,72 geri çağırma ve %91,81 FScore göstermektedir.
stereoskopik tahminde iyileşme sağladığı kanıtlanmıştır.
Öte yandan modern mimari, sentez ve ardından ek işlem
Anahtar Kelimeler— Siyam Ağı, derin öğrenme, görüntü benzerliği,
katmanları kullanan Siyam ağlarına dayanır ve her görüntü çifti
normalleştirme. için bir dakikalık GPU hesaplaması gerektirir.
Karşılaştırıldığında, eşdeğer devre, bir saniyeden daha
I. GİRİŞ kısa bir GPU işleme süresinde son derece doğru sonuçlar üretti
[2].
Genellikle ikili sinir ağı olarak tanımlanan Siyam sinir ağı,
aynı anda iki farklı giriş vektöründen eşdeğer çıktı
vektörlerini tahmin etmek için aynı ağırlıkları kullanan bir tür Görüntü içindeki farklı bölgeler arasındaki bağlantıları
yapay sinir ağıdır. Karşılaştırmalı kayıp yöntemi, iki gösteren grafik tabanlı görüntü temsilinde, yönlendirilmiş sıralı
görüntünün ne kadar karşılaştırılabilir olduğunu belirlemek döngüsel olmayan grafikleri işleyebilen özyinelemeli sinir ağları
için her iki ağdan gelen son katmanları kullanır. Siyam ağları, kullanılmaktadır. Özyinelemeli sinir ağları, görüntü verilerini
daha sonra nesne tanımlama veya görüntü bölümleme gibi diğer keşfetmek için en iyi temsilleri bulabilirken, grafik tabanlı
bilgisayarlı görme görevlerinde kullanabileceğiniz belirli güçlü açıklama görüntünün yapısal ve alt simgesel yönlerini bütünleştirir
temsilleri öğrenme yeteneğine sahiptir. SimSiam adı verilen bir [3]. Siyam sinir ağı tabanlı bir jest tanıma paradigması
sinir ağı mimarisi, iki veri noktasının ne kadar benzer olduğunu kullanılarak, insanın tanımlanması için sağlam ve ayırt edici
belirlemek için Siyam ağlarından yararlanıyor. Bu hileyi yürüyüş özellikleri otomatik olarak çıkarılır. Siyam ağı, tipik
başarmak için, ağa verdiğiniz fotoğrafların her birinin aynı derin sinir ağlarının aksine, benzerlik ölçüsünü çeşitli bireylerin
yerleştirme işlevinden geçtiğinden emin olun. Bu nedenle, bunun yürüyüş çiftleri için büyük ve farklı bireylerden çiftler için küçük
gerçekleşmesini sağlamak için ağırlıkların her iki ağ dalı yapmak için uzaktan metrik öğrenmeyi kullanabilir.
arasında paylaşılması gerekir. Tek bir eğitim örneği için gereken tek şey

Yetkili lisanslı kullanım bunlarla sınırlıdır: TC Cumhurbaşkanlığı Kutuphanesi. 09 Ağustos 2023 21:01:18 UTC'de IEEE Xplore'dan indirildi. Kısıtlamalar uygulanır.
Machine Translated by Google
aynı birey. Özellikle daha az eğitim verisi ile etkili bir model
oluşturmak için ham yürüyüş dizisi yerine yürüyüş enerjisi
görüntüleri birleştirildi [4]. Bir Siyam evrişimli sinir ağı, her iki
giriş resmi bölgesi arasındaki yerel uzay-zamansal kalıpları
kodlamak için görüntü piksellerini ve optik akış koşullarını bir
araya getiren tanımlayıcıları öğrenir. Ortaya çıkan
eşleştirme olasılığı daha sonra CNN çıktısının, bir
gradyan artırıcı sınıflandırıcı kullanılarak
karşılaştırılan girdi yamalarının konumu ve boyutundan
elde edilen bir bağlamsal özellikler koleksiyonuyla birleştirilmesiyle üretilir.
Bu öğrenme stratejisi, doğrusal programlamayı kullanan çok
kişili bir izleyici kullanılarak kanıtlanmıştır; bu, öğrenilmiş
eşleştirme olasılıklarımızla beslendiğinde, basit ve etkili
bir izleyicinin bile çok daha karmaşık modellerden daha iyi
performans gösterebileceğini göstermektedir [5]. Siyam Evrişim
Sinir Ağı ve hiyerarşik bir yapı ile oluşturulan çoklu kamera
ağlarında kişilerin yeniden tanımlanması. Bir evrişim sinir
ağı, aynı öznitelik alt uzayı içinde bir dizi insan çifti çiftini
yansıtan doğrusal olmayan bir dönüşümü eğitmek için
kullanılır. Öğrenme sürecinde kayıp fonksiyonu en aza
indirilerek pozitif ve negatif eşleşmeler arasındaki benzerlik
mesafesinin azaltılan seviyeden küçük, aralarındaki farkın ise
üst seviyeden büyük olması sağlanır. Hesaplama süresi
nedeniyle, veri kümesinin mütevazı ölçeği uyarlandı [6].
Bir Siyam ağı, en yeni derin evrişimli sinir ağlarını
oluşturan giriş görüntüsü yama çiftleri üzerindeki yanlış
yorumlamaları ödüllendirerek geliştirildi. Son makine öğrenimi
sonuçlarına göre üçlü bir ağ, bir takım konularda sınıflandırma
doğruluğunu artırabilir, ancak bu, komşu piksel
tanımlayıcılarının elde edilmesi için henüz
kanıtlanmamıştır. Ek olarak, mevcut Siyam ve üçlü ağları
eğitmek için kullanılan stokastik gradyan iniş yöntemi, yerel
resim parçalarının belirli çiftlerinden veya üçlülerinden gelen
gradyanları hesapladığından fazla uyum sağlamaya yol
açabilir[7]. Nesne bölümleme veya resim alma gibi çok sayıda
uygulama, benzerliğin değerlendirilmesine ihtiyaç duyar. Doku
benzerliğini ölçmek için çağdaş derin öğrenme yöntemlerine
dayalı yeni bir çerçeve tasarlandı. Gerçek dünya fotoğraflarının
hem homojen hem de homojen olmayan dokularından
oluşturulan yamaları karşılaştırmak için yapılır. Görüntü
çiftlerinin benzerliğini değerlendirmeyi amaçlayan Siyam Sinir
Ağı kullanıldı. Siyam Sinir Ağı, doku ayrımcılığından
sorumlu en ayırt edici unsurları seçme yeteneğini kazanıyor.
İşlediği görüntü için ikiz ağların her biri bir özellik vektörü üretir
[8].
İki benzer ağın çıktılarının birleştirilmesiyle
oluşturulan Siyam zamanlama gecikmeli sinir ağı. Ağ, eğitim
sırasında iki imza kombinasyonunun benzerliğini
karşılaştırma yeteneği kazanır. Kimlik doğrulama için
kullanılıyorsa Siyam ağının yalnızca yarısı değerlendirilir. mesafesini azaltıyoruz. (A, B). Ancak bir çiftteki iki görüntü negatif
Giriş imzasının özellik vektörü yarım ağın sonucudur.
Doğrulama, bu özellik vektörünün imzalayan için dosyada saklanan
bir özellik vektörüyle karşılaştırılmasını gerektirir. Diğer
tüm imzalar, kayıtlı temsile belirli bir eşiğe yakın olmadıkları ayırarak zamanımızı boşa harcamak istemeyiz çünkü bir
sürece sahtekarlık olarak dikkate alınmaz [9].
Bir nesnenin görünümünün modelini tek başına çevrimiçi olarak
öğrenerek ve videonun kendisini tek eğitim verisi olarak
kullanarak, geleneksel olarak keyfi nesne izleme sorunu
çözülmüştür. Bu yöntemlerin başarısına rağmen
öğrenebilecekleri modelin derinliği, doğal olarak yalnızca
çevrimiçi metodolojileri nedeniyle sınırlıdır. Son zamanlarda,
derin evrişimli ağların ifade gücünden yararlanmak için çeşitli girişimlerde bulunulmuştur.( )‖)
Yetkili lisanslı kullanım bunlarla sınırlıdır: TC Cumhurbaşkanlığı Kutuphanesi. 09 Ağustos 2023 21:01:18 UTC'de IEEE Xplore'dan indirildi. Kısıtlamalar uygulanır.
Yetenekler. İzlenecek öğenin önceden bilinmediği durumlarda
ağ ağırlıklarını ayarlamak için stokastik gradyan inişinin
çevrimiçi olarak yapılması gerekir, bu da sistemi önemli ölçüde
yavaşlatır [10]. Doku özelliği çıkarma ve benzerlik
değerlendirmesi, tam doku görüntüsü alma sistemini oluşturan
iki tekniktir. Doku özelliklerini çıkarmak için alt örneklenmemiş
konturlu dönüşüm ve çift ağaçlı karmaşık dalgacık dönüşümü
kullanıldı [11]. Bu tür değerlendirmelerin etkinliğini ve
verimliliğini belirlemek için insanın algılama becerilerinin ve
teknik özelliklerinin derinlemesine incelenmesi gereklidir. Doku
benzerliğine ilişkin insan değerlendirmeleriyle uyumlu olan
nesnel doku benzerliği ölçümlerinin oluşturulması ve test
edilmesi için kapsamlı öznel değerlendirmeler gereklidir [12]. Bir
Siyam ağı, farklı görüntülere sahip iki karşılaştırılabilir
ağ kullanarak ve iki görüntü arasındaki benzerlik puanını
hesaplarken iki özellik vektörü arasındaki mutlak farkı öğrenerek
çalışır. Ancak ideal aktivasyon mekanizması bu aktivite için
belirsizdir [13]. Yakın zamanda keşfedilen kötü amaçlı
programlarla uğraşırken, makine öğrenimi modellerini yeterli
sayıda kötü amaçlı yazılım saldırısıyla eğitmek
imkansızdır. Yöntem, ön işleme adımı sırasında kötü
amaçlı yazılım örneklerini ölçekli gri tonlamalı görüntülere
dönüştürür ve bunları ortalama karma değerine göre aynı
kategoride gruplandırır. Siyam ağları, eğitim ve test
aşamaları sırasında veri benzerliğini sıralamak üzere
eğitilir ve doğruluk, tek seferlik görevler kullanılarak belirlenir
[14]. Çeşitli kategori nesnelerinin, öğrenilmiş görüntü ikili
farklılıklarıyla kanıtlandığı gibi belirli yapısal benzerlikleri
paylaşabileceği varsayımıyla, sinir ağlarında arıza tespiti
için iki taraflı bir Siyam sinir ağı kullanılır [15]. Modalite
boşluğunu azaltmak için, Siyam evrişim ağı mimari çerçevesi
kullanılarak her görüntü çiftinden anlamlı bilgiler çıkarılır
[16].
III. ARAŞTIRMA METODOLOJİSİ
Önerilen BNSN çerçevesi süreç akışı Şekil 1'de gösterilmektedir.
Bu araştırma çalışmasının asıl önemi, görüntü benzerliğini
hesaplamak için Toplu Normalleştirilmiş Siyam Ağı derin
öğrenme tabanlı modeli tasarlamaktır. İki vektör V(A) ve V(B),
denklem (1)'deki gibi karşılaştırılabilir. ( , ) = ‖ ( ) ( )‖
2
(1)
Uzaklık minimum ise vektörler benzerdir. İki vektör arasındaki
mesafeyi belirlemek için d adı verilen bir mesafe fonksiyonu
oluşturabiliriz. Bunun ışığında bir kayıp fonksiyonu
oluşturabiliriz. A ve B pozitif bir çift olduğunda, yani denklem
(2)'deki gibi aynı bireye ait olduklarında, kayıp fonksiyonu tam
olarak iki vektör arasındaki L2 normu olarak tanımlanır.
2
Kayıp( , ) = ‖ ( ) ( )‖ (2)
Bu nedenle kayıp fonksiyonu azaldığında aslında d
olduğunda menteşe kaybı adı verilen farklı bir tür kayıp
fonksiyonu kullanın. Aralarında maksimumdan daha büyük bir
mesafe olan negatif bir çiftimiz olduğunda, onları daha fazla
çiftin iki yüzü farklı olduğunda V(A) ve V(B) isteriz. Denklem (3)'teki
gibi maksimumdan daha büyük bir mesafeye sahip olmak
2
Kayıp( , ) = maksimum(0, ‖() ( )‖) (3)
Karşılaştırmalı kayıp denklem (4) ile verilmektedir.
2
Kayıp ( , ) = uzaklık(A, B)‖ ( ) ( )‖ + (1 V(a)
2
V(B)max(0, ‖ ( )
(4)
Machine Translated by Google

Moda MNIST veri kümesi

Veri analizi

Verilerin Etiketlenmesi

Eğitim ve Test Verilerinin Ayırma (50:50)

Şekil 3. Fashion MNIST veri setinin örnek görselleri

Model Eğitimi ve Montajı Verilerin etiketlenmesi farklı nesneyi belirten Etiket 1 ve

aynı nesneyi gösteren Etiket 0 ile yapılmış olup Şekil
4, Şekil 5 ve Şekil 6'da gösterilmektedir.
İki Giriş Katmanı Bölme

İşlevsel Katman Bölme

Şekil 4. Eğitim için Örnek Veri Çiftleri

Lambda Katman Düzeni

Toplu Normalleştirme

Şekil 5. Doğrulama için Örnek Veri Çiftleri

Yoğun Katman Düzeni

Model Montajı

Şekil 6. Test için Örnek Veri Çiftleri

Eğitim ve test denklem (5) – (7)'deki gibi bölünmüştür.

Doğruluk, Karşılaştırmalı Kayıp, ROC
Eğri Analizi
= +
30000 30000

Benzerlik Tanımlaması 30000

30000 = {
255
=1
255
1 }
(6)
=1
Şekil 1. Araştırma Metodolojisi
30000
Görüntü benzerliği için iki giriş katmanı, tek işlevsel katman, 255 255
(7)
lambda katmanı, Toplu normalleştirilmiş katman ve Yoğun
30000 = =1
{ =1 1 }

katmanlar ve çıkış katmanından oluşan BNSN mimarisi
tanımlaması Şekil 2'de gösterilmektedir.
Fashion MNIST veri seti görüntüleri standartlaştırılmıştır
ve önerilen BNSN modelinden, atanan veri seti etiketleri ile
tahmin edilen etiketler arasındaki olasılık dağılımı
arasındaki farkı denklem (8)'deki gibi azaltan sigmoid
çapraz entropi kaybı katmanı ile önemli özellikler
çıkarılmıştır.

= ( =1) günlük ( = | ; ) (8)

Burada ( ) atanan veri kümesi etiketlerinin dağılımı ve ( =

;
| ) tahmin edilen etiketlerin olasılık dağılımıdır.
Önerilen BNSN modelinin öğrenme oranı Adadelta gradyan
iniş fonksiyonudur ve denklem (9) ile gösterilmektedir.

+1
= (9)
[ ]+

Nerede öğrenme hızı, bozulma hızı, kayıp hatası, [ ] birikimli gradyan öğrenme

hızıdır. Eğitim ve test Fashion MNIST veri seti, (10) – (11) denkleminde verildiği gibi

önerilen BNSN modeliyle donatılmıştır.

Şekil 2. Siyam Ağının BNSN Katmanlı mimarisi

30000
Fashion MNIST veri seti 30.000 eğitim görüntüsü ve 30.000 test 255 255
Model uyumu =
( { =1 1 )(10) }
görüntüsüne bölünmüştür ve Şekil 3'te gösterilmektedir. =1

Yetkili lisanslı kullanım bunlarla sınırlıdır: TC Cumhurbaşkanlığı Kutuphanesi. 09 Ağustos 2023 21:01:18 UTC'de IEEE Xplore'dan indirildi. Kısıtlamalar uygulanır.
Machine Translated by Google

30000
Model uyumu = ( {
255
=1
255
1 }) (11)
=1

IV. UYGULAMA KURULUMU VE SONUÇLARI

Fashion MNIST veri seti, yaprak türlerinin tanımlanmasını

tahmin etmek için kullanılan 30.000 eğitim görüntüsü ve 30.000
test görüntüsüyle bölünmüştür. Önerilen BNSN mimarisi, iki giriş
katmanı, tek işlevsel katman, lambda katmanı, Toplu
normalleştirilmiş katman ve Yoğun katmanlar ve görüntü
benzerliği tanımlaması için çıkış katmanıyla
tasarlanmıştır. Önerilen BNSN modeline uyum sonrasında
Fashion MNIST veri setinin örnek tahminleri şekil 2'de
gösterilmektedir. 7. Test Fashion MNIST veri kümesi görüntüsü,
BNSN modeline ve diğer geleneksel görüntü benzerliği yöntemine
uyarlanmıştır ve performans ölçümleri analiz edilmiştir ve
Tablo I ve Şekil 8'de gösterilmektedir. Şekil 10. Önerilen BNSN modelinin Karşılaştırmalı Kaybı.

Şekil 7. Önerilen BNSN modelinin Örnek Tahminleri.

Şekil 11. Önerilen BNSN modelinin Alıcı Çalışma Karakteristiği.

Şekil 8. Önerilen BNSN modelinin Verimlilik Analizi.

V. SONUÇ
TABLO I. ÖNERİLEN BNSN'NİN PERFORMANS KARŞILAŞTIRMASI .

Bu makale, önerilen BNSN modelinin görüntü benzerliğini

Hassaslık derecesi Hatırlamak F1-Skoru
belirleme açısından etkinliğini araştırmaktadır. Önerilen
Sınıflandırıcı

Geleneksel
Yöntem
83.43 83.34 84.65 84.54 BNSN modelinin yeniliği, iki giriş görüntüsünün özellik vektörlerini
üreten iki alt ağın uyarlanmasıyla elde edilmiştir. Bu makale,
Önerilen BNSN
91.91 92.93 90.72 91.81
yöntemi önerilen BNSN modelinin geleneksel görüntü benzerliği yöntemiyle
karşılaştırıldığında ne kadar iyi performans gösterdiğini
Fashion MNIST veri setini önerilen BNSN'ye yerleştirdikten sonra kanıtlamaya çalışmaktadır. Lambda toplu normalizasyonu,
elde edilen eğitim doğruluğu, karşılaştırmalı kayıp ve görüntü benzerliğini tahmin etmek için tek yoğun katmanla
Alıcı çalışma karakteristiği Şekil 9, Şekil 10 ve Şekil 11'de gerçekleştirilir; etiket 0 aynı görüntüleri belirtir ve etiket 1 farklı
gösterilmektedir. görüntüleri belirtir. 30.000 eğitim görüntüsü BNSN ile donatıldı
ve 30.000 görüntüyle test edildi.
Önerilen BNSN'nin uygulanması %91,91 doğruluk, %92,93
kesinlik, %90,72 geri çağırma ve 91,81 FScore gösterir.

REFERANSLAR

[1] S. Nandy, S. Haldar, Banerjee ve S. Mitra, “Bilgisayarlı Görmede Siyam Sinir Ağlarının
Uygulamaları Üzerine Bir Araştırma”, Uluslararası Gelişen Teknoloji Konferansı
Bildirilerinde, s. 1-5, 2020. doi : 10.1109/INCET49848.2020.9153977.

[2] W. Luo, AG Schwing ve R. Urtasun, “Efficient Deep Learning for Stereo Matching”, IEEE
Bilgisayarlı Görme ve Örüntü Tanıma Konferansı Bildirilerinde, s. 5695-5703, 2016.
doi: 10.1109/CVPR. 2016.614.

[3] C. de Mauro, M. Diligenti, M. Gori ve M. Maggini, “Grafik tabanlı görüntü gösterimleri için
benzerlik öğrenimi”, Desen Tanıma Mektupları, cilt. 24, s. 1115-1122, 2003.

Şekil 9. Önerilen BNSN modelinin Model Doğruluğu.

Yetkili lisanslı kullanım bunlarla sınırlıdır: TC Cumhurbaşkanlığı Kutuphanesi. 09 Ağustos 2023 21:01:18 UTC'de IEEE Xplore'dan indirildi. Kısıtlamalar uygulanır.
Machine Translated by Google

[4] C. Zhang, W. Liu, H. Ma ve H. Fu, "İnsan tanımlama için Siyam sinir ağı
tabanlı yürüyüş tanıma", IEEE Uluslararası Akustik Konuşma ve Sinyal
İşleme Konferansı Bildirilerinde, s. 2832-2836 , 2016.

[5] L. Leal-Taixe, C. Canton-Ferrer ve K. Schindler, "Takip ederek öğrenme: Sağlam

hedef ilişkilendirme için Siyam cnn", IEEE Bilgisayarla Görme ve Örüntü
Tanıma Çalıştayları Bildirileri Kitabı, s. 33- 40, 2016.

[6] KB. Düşük ve UU. Şeyh, "İnsanın yeniden tanımlanması için Siyam
evrişim sinir ağını kullanarak hiyerarşik gösterimi öğrenmek",
Uluslararası Dijital Bilgi Konferansı Bildirilerinde
Yönetim, s. 217-222, 2015.
[7] BG. Kumar, G. Carneiro ve I. Reid, "Küresel kayıp işlevlerini en aza indirerek
derin siyam ve üçlü evrişimli ağlarla yerel görüntü tanımlayıcılarını
öğrenmek", IEEE Bilgisayarlı Görme ve Örüntü Tanıma Konferansı
Bildirileri, s. 5385-5394, 2016.
[8] L. Hudec ve W. Bencsova, “Siyam Evrişimli Sinir Ağı Yoluyla Doku Benzerliği
Değerlendirmesi”, Uluslararası Sistemler, Sinyaller ve Görüntü İşleme
Konferansı Bildirilerinde,
s. 1-5, 2018. doi: 10.1109/IWSSIP.2018.8439387.
[9] J. Bromley, JW Bentz, L. Bottou, I. Guyon, Y. LeCun ve C. Moore, "Siyam Zaman
Gecikmeli Sinir Ağı Kullanarak İmza Doğrulaması", Uluslararası Desen
Tanıma ve Yapay Zeka Dergisi, cilt. 07, hayır. 04, s. 669-688, 1993.

[10] L. Bertinetto, J. Valmadre, JF Henriques, A. Vedaldi ve PH Torr, “Nesne takibi

için tam evrişimli Siyam ağları”, Bilgisayar Bilimleri Ders Notları, cilt.
9914 LNCS, s. 850-865, 2016.
[11] Z. Zhu, C. Zhao ve Y. Hou, “Doku Görüntüsü Erişimi için Benzerlik Ölçümü Üzerine
Araştırma”, PLoS ONE, cilt. 7, hayır. 9, s. e45302, 2012.
[12] J. Zujovic, TN Pappas, DL Neuhoff, R. Van Egmond ve H. De Ridder, “Etkin ve
etkili doku benzerliği ölçümlerinin öznel testi”, JOSA A, cilt. 32, hayır. 2, s.
329-342, 2015.
[13] AAR Putra ve S. Setumin, “Farklı Aktivasyon Fonksiyonlarını Kullanarak
Siyam Sinir Ağının Yüz Tanıma Performansı”,
Uluslararası Teknoloji, Bilim ve Yönetim Konferansı Bildirileri, s. 1-5, 2021.

[14] SC Hsiao, DY Kao, ZY Liu ve R. Tso, "Siyam ağlarıyla tek adımda öğrenmeyi
kullanan kötü amaçlı yazılım görüntü sınıflandırması", Procedia
Comput. Bilim, cilt. 159, s. 1863-1871, 2019.
[15] C. Luan, R. Cui, L. Sun ve Z. Lin, "Kategoriler Arası Kusur Tespiti İçin Görüntü
Yapısal Farklılıkları Kullanan Bir Siyam Ağı",
Uluslararası Görüntü İşleme Konferansı Bildirileri, 2020, s. 778-782, doi:
10.1109/ICIP40778.2020.9191128.
[16] L. Fan, H. Liu ve Y. Hou, "An Improved Siamese Network for Face Sketch
Recognition", Uluslararası Makine Öğrenimi ve Sibernetik Konferansı
Bildirilerinde, s. 1-7, 2019. doi: 10.1109/ ICMLC48188.2019.8949231.

Yetkili lisanslı kullanım bunlarla sınırlıdır: TC Cumhurbaşkanlığı Kutuphanesi. 09 Ağustos 2023 21:01:18 UTC'de IEEE Xplore'dan indirildi. Kısıtlamalar uygulanır.