Dapatkah algoritma pembelajaran mesin (CNN?) Digunakan / dilatih untuk membedakan antara perbedaan kecil dalam detail antar gambar?

Saya bertanya-tanya apakah algoritma pembelajaran mesin (CNN?) Dapat digunakan / dilatih untuk membedakan antara perbedaan kecil dalam detail antara gambar (seperti sedikit perbedaan dalam warna merah atau warna lain, atau keberadaan benda kecil di antara gambar yang sangat mirip? )? Dan kemudian mengklasifikasikan gambar berdasarkan perbedaan-perbedaan ini? Jika ini merupakan upaya yang sulit dengan algoritma pembelajaran mesin kami saat ini, bagaimana cara mengatasinya? Apakah menggunakan lebih banyak data (lebih banyak gambar) membantu?

Saya juga akan menghargai jika orang dapat memberikan referensi untuk penelitian yang berfokus pada ini, jika memungkinkan.

Saya baru saja mulai belajar mesin pembelajaran, dan ini adalah sesuatu yang saya telah bertanya-tanya dari penelitian saya.

Terima kasih.

Pembanding Berulang yang Penuh Perhatian (2017, Pranav Shyam, Shubham Gupta, Ambedkar Dukkipati) adalah makalah yang menarik yang membantu menjawab pertanyaan yang Anda tanyakan, bersama dengan sebuah posting blog yang membantu menggambarkannya dalam istilah yang lebih mudah.

Cara penerapannya sebenarnya agak intuitif. Jika Anda pernah memainkan permainan "apa yang berbeda" dengan dua gambar biasanya yang akan Anda lakukan adalah bolak-balik di antara gambar untuk melihat apa perbedaannya. Jaringan yang dibuat para peneliti tidak hanya itu! Itu terlihat pada satu gambar dan kemudian mengingat fitur-fitur penting tentang gambar itu dan melihat gambar lainnya dan bergerak maju mundur.

Itu ada jaringan yang dibangun untuk belajar bagaimana membedakan antara kelas bahkan jika ada terlihat cukup sama. Biasanya kerugian triplet digunakan dalam jaringan tersebut untuk mempelajari perbedaan antara target, sampel positif dan negatif.

Misalnya jaringan tersebut digunakan untuk melakukan pemeriksaan identitas dengan gambar wajah, algoritma mempelajari perbedaan antara orang yang berbeda daripada mengenali orang.

Kata kunci: fungsi diskriminatif, kehilangan triplet, jaringan siam, pembelajaran satu pukulan.

Makalah ini menarik:

• FaceNet: Penyatuan Terpadu untuk Pengenalan Wajah dan Klaster
• Pengurangan Dimensi dengan Mempelajari Pemetaan Invarian