Можно ли использовать алгоритмы машинного обучения для различения небольших различий в деталях между изображениями?

Мне было интересно, можно ли использовать / обучать алгоритмы машинного обучения (CNN?), Чтобы различать небольшие различия в деталях между изображениями (например, небольшие различия в оттенках красного или других цветов или наличие небольших объектов между очень похожими изображениями? )? А затем классифицировать изображения на основе этих различий? Если это сложная задача с нашими современными алгоритмами машинного обучения, как это можно решить? Поможет ли больше данных (больше изображений)?

Я также был бы признателен, если бы люди могли предоставить ссылки на исследования, которые сосредоточены на этом, если это возможно.

Я только начал изучать машинное обучение, и это то, что мне было интересно из моих исследований.

Рекуррентные рекуррентные компараторы (2017), автор Pranav Shyam et al. интересный документ, который помогает ответить на интересующий вас вопрос, а также сообщение в блоге, которое помогает описать его в более простых терминах.

Способ его реализации на самом деле довольно интуитивно понятен. Если вы когда-либо играли в игру «что отличается» с двумя изображениями, обычно вам нужно было бы смотреть назад и вперед между изображениями, чтобы увидеть, в чем разница. Созданная исследователями сеть делает именно это! Он смотрит на одно изображение, а затем запоминает важные особенности этих изображений, смотрит на другое изображение и перемещается туда-сюда.

Существуют сети, созданные для того, чтобы научиться различать классы, даже если они выглядят совершенно одинаково. Обычно в этих сетях используется триплетная потеря, чтобы узнать разницу между целью, положительной выборкой и отрицательной.

Например, эти сети используются для проверки личности с изображениями лица, алгоритм распознает различия между разными людьми вместо того, чтобы узнавать людей.

Вот некоторые ключевые слова, которые могут иметь отношение к делу: дискриминационная функция, потеря триплета, сиамская сеть, однократное обучение.

Тезисы докладов интересны:

• FaceNet: унифицированное встраивание для распознавания лиц и кластеризации
• Уменьшение размерности путем изучения инвариантного отображения