Siamese Neural Networks: An Overview

人工神经网络 相似性(几何) 感知器 计算机科学 维数之咒 代表(政治) 模式识别(心理学) 秩(图论) 前馈神经网络 余弦相似度 欧几里德距离 机器学习 皮尔逊积矩相关系数 卷积神经网络 人工智能 数学 统计 政治 组合数学 图像(数学) 法学 政治学
作者
Davide Chicco
出处
期刊:Methods in molecular biology 卷期号:: 73-94 被引量:444
标识
DOI:10.1007/978-1-0716-0826-5_3
摘要

Similarity has always been a key aspect in computer science and statistics. Any time two element vectors are compared, many different similarity approaches can be used, depending on the final goal of the comparison (Euclidean distance, Pearson correlation coefficient, Spearman’s rank correlation coefficient, and others). But if the comparison has to be applied to more complex data samples, with features having different dimensionality and types which might need compression before processing, these measures would be unsuitable. In these cases, a siamese neural network may be the best choice: it consists of two identical artificial neural networks each capable of learning the hidden representation of an input vector. The two neural networks are both feedforward perceptrons, and employ error back-propagation during training; they work parallelly in tandem and compare their outputs at the end, usually through a cosine distance. The output generated by a siamese neural network execution can be considered the semantic similarity between the projected representation of the two input vectors. In this overview we first describe the siamese neural network architecture, and then we outline its main applications in a number of computational fields since its appearance in 1994. Additionally, we list the programming languages, software packages, tutorials, and guides that can be practically used by readers to implement this powerful machine learning model.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
爱吃麻辣烫应助陶醉觅夏采纳,获得10
刚刚
xiao晓发布了新的文献求助10
1秒前
徐欣然完成签到 ,获得积分10
2秒前
姜姜姜发布了新的文献求助10
2秒前
司空骁完成签到,获得积分10
2秒前
酷酷铭发布了新的文献求助10
3秒前
4秒前
一颗煤炭完成签到 ,获得积分10
4秒前
qyy完成签到,获得积分10
5秒前
chen完成签到 ,获得积分10
6秒前
bulangni完成签到,获得积分20
8秒前
8秒前
默然的歌完成签到 ,获得积分10
8秒前
尊敬怀薇完成签到,获得积分20
9秒前
艾北发布了新的文献求助10
10秒前
姜姜姜完成签到,获得积分10
10秒前
11秒前
xiao晓完成签到,获得积分10
13秒前
半烟发布了新的文献求助10
13秒前
Noel应助keke采纳,获得50
13秒前
14秒前
英俊的铭应助标致荷花采纳,获得10
14秒前
15秒前
年轻的念云完成签到,获得积分10
15秒前
16秒前
微笑的鞋子完成签到 ,获得积分10
16秒前
何必不曾完成签到,获得积分10
16秒前
酷酷铭完成签到,获得积分10
17秒前
英俊的铭应助敏感的曼香采纳,获得10
17秒前
17秒前
17秒前
cz完成签到,获得积分10
18秒前
嘟嘟的发布了新的文献求助10
18秒前
沉默念蕾完成签到,获得积分10
18秒前
尊敬怀薇发布了新的文献求助10
18秒前
18秒前
19秒前
嘉博学长发布了新的文献求助10
20秒前
dorr发布了新的文献求助10
20秒前
grisco发布了新的文献求助10
20秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi 400
Classics in Total Synthesis IV 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3149540
求助须知:如何正确求助?哪些是违规求助? 2800615
关于积分的说明 7840805
捐赠科研通 2458144
什么是DOI,文献DOI怎么找? 1308295
科研通“疑难数据库(出版商)”最低求助积分说明 628471
版权声明 601706