02 One-Shot Learning（一次性学习）

02 One-Shot Learning（一次性学习）

一、问题背景

在人脸识别的实际应用场景中，常常面临 “一次性学习（One-shot learning）” 的挑战：

• 每个身份（如员工）在数据库中仅有一张参考图像；
• 系统需要仅凭这一张图像，就能识别出新输入的人脸是否属于该身份；

• 若使用传统分类方法（如 Softmax 分类器），则：

  • 训练数据极少（每人仅1张图），无法训练出鲁棒的深度模型；
  • 当有新人加入时，输出类别数变化，需重新训练整个网络，效率低下且不实用。

✅ 核心问题：如何在只有单一样本的情况下，实现对新个体的准确识别？

---

二、传统方法的局限性

假设数据库中有 $N$ 个人（如 $N=4$：Kian, Danielle, Younes, Tian），再加上“非数据库人员”类别，则 Softmax 输出维度为 $N+1 = 5$。

但这种方法存在两大问题：

1. 数据不足：每人仅一张图，无法有效训练 CNN；
2. 扩展性差：新增人员需修改网络输出层并重新训练。

❌ 因此，直接使用分类模型不适合 One-shot Learning 场景。

---

三、解决方案：学习相似度函数（Similarity Function）

核心思想

不再将问题建模为多类分类，而是转为人脸验证（Face Verification） 问题：

• 学习一个函数 $d(\mathbf{x}^{(1)}, \mathbf{x}^{(2)})$，衡量两张人脸图像 $\mathbf{x}^{(1)}$ 和 $\mathbf{x}^{(2)}$ 的差异程度（即“不相似度”）。

函数性质

• 若 $\mathbf{x}^{(1)}$ 与 $\mathbf{x}^{(2)}$ 是同一人 → $d(\mathbf{x}^{(1)}, \mathbf{x}^{(2)}) \approx 0$（很小）；
• 若是不同人 → $d(\mathbf{x}^{(1)}, \mathbf{x}^{(2)})$ 较大。

决策规则（带阈值 $\tau$）

\[\text{若 } d(\mathbf{x}^{(1)}, \mathbf{x}^{(2)}) \leq \tau \quad \Rightarrow \quad \text{判定为同一人}\] \[\text{若 } d(\mathbf{x}^{(1)}, \mathbf{x}^{(2)}) > \tau \quad \Rightarrow \quad \text{判定为不同人}\]

其中 $\tau$ 是一个超参数，可通过验证集调优。

---

四、应用于人脸识别（Identification）

给定一张新输入图像 $\mathbf{x}$，执行以下步骤：

1. 将 $\mathbf{x}$ 与数据库中每张参考图像 $\mathbf{x}_{\text{db}}^{(i)}$（$i = 1, 2, …, N$）逐一比较；
2. 计算所有差异值：$d(\mathbf{x}, \mathbf{x}_{\text{db}}^{(i)})$；
3. 若存在某个 $i$ 使得 $d(\mathbf{x}, \mathbf{x}_{\text{db}}^{(i)}) \leq \tau$，则识别为第 $i$ 个人；
4. 若对所有 $i$ 都有 $d(\mathbf{x}, \mathbf{x}_{\text{db}}^{(i)}) > \tau$，则判定为未知人员。

✅ 此方法天然支持动态扩展：新增人员只需将其图像加入数据库，无需重新训练模型！

---

五、关键优势总结

优势	说明
解决小样本问题	不依赖大量每类样本，仅需学习“成对比较”
模型可复用	网络一旦训练好，可用于任意新身份（zero-shot 扩展）
计算高效	推理时只需 $N$ 次前向传播（$N$ 为数据库大小）
工程友好	易于部署、更新和维护

---

六、后续方向预告

为了实现上述目标，我们需要训练一个神经网络来学习函数 $d(\cdot, \cdot)$。常用方法包括：

• Siamese 网络（孪生网络）
• Triplet Loss（三元组损失）

🔜 这些内容将在下一节（4.3）中详细讲解。

---

七、公式汇总

• 相似度/差异函数：

  \[d(\mathbf{x}^{(1)}, \mathbf{x}^{(2)})\]

• 识别决策规则：

  \[\text{Identity} = \begin{cases} i, & \text{if } \min_{i} d(\mathbf{x}, \mathbf{x}_{\text{db}}^{(i)}) \leq \tau \\ \text{Unknown}, & \text{otherwise} \end{cases}\]