شبکه‌های سیامی نوع خاصی از شبکه‌های عصبی هستند. هدف این نوع شبکه تمیز دادن بین داده‌هاست، به این صورت که با دریافت دو نمونه میزان مشابهت آنها را گزارش می‌دهد. این نوع شبکه اولین بار توسط Yann LeCun به هدف تشخیص امضای غیربرخط ارائه شد.


معماری شبکه های سیامی

یک شبکه سیامی از دو شبکه عصبی کاملا یکسان (معماری این دو شبکه یک نوع خاص محدود نمی‌شود و در موارد مختلف از ساختارهایی مانند، CNN LSTM. MLP  و غیره استفاده شده است) تشکیل شده که هریک، یکی از دو نمونه ورودی را دریافت می‌کنند. سپس خروجی آنها به بخش نهایی داده می‌شود که وظیفه مقایسه دو نمونه را دارد. این لایه با استفاده از یک متریک مشخص، مقداری معرف شباهت دو نمونه محاسبه می‌کند. نکته مهم این است که دو زیرشبکه وزن‌های خود را به اشتراک می‌گذارند. این موضوع به سهولت و سرعت فرآیند آموزش کمک می‌کند.

‫آموزش این شبکه از طریق پس انتشار خطا انجام می‌شود. از آنجایی که وزن‌های دو زیر شبکه باید در تمامی زمان‌ها با یکدیگر برابر باشند، تابع خطا باید متقارن باشد تا در پس انتشار، تغییر وزن‌ها برای هر دو زیرشبکه یکسان باشند.

‫شكل 1: شماى كلى شبكه سيامى

دو ويژگى مهم اين شبكه به شرح زير است:

1) انسجام بيش بينى: اشتراك وزن‌ها در زير شبكه‌ها باعث مى‌شود كه نگاشت دو نمونه بسيار شبيه، به نقاط بسيار متفاوت در فضاى ويژگى، توسط شبكه‌هاى نظيرشان ممكن نباشد زيرا دو زيرشبكه عملاً يك تابع را محاسبه مى‌كنند.

2) تقارن شبكه: ‫تقارن بدين معنى است كه با ارائه دو نمونه متفاوت با هر ترتيبى، شبكه يك مقدار شباهت را محاسبه می کند. چنین ویژگی‌ای از ماهیت متقارن تابع متریک برگزیده برای شبکه و اشتراک وزن ها نتیجه می‌شود.


کاربرد شبکه سیامی در طبقه بندی One-shot  

توانایی شبکه‌های سیامی در تمیز دادن نمونه‌ها از دسته های متفاوت، آنها را به ابزار موثری در طبقه‌بندی بدل می‌کند. در طبقه‌بندی One-shot، از هر دسته یک داده نمونه موجود است. اگر بتوان شبکه سیامی را به درستی آموزش داد می‌توانیم با مقایسه ورودی با نماینده هر دسته تشخیض دهیم که ورودی به کدام دسته تعلق دارد. در سال‌های اخیر، این نوع استفاده از شبکه سیامی در طیف گسترده‌ای از مسائل در مقالات زیادی بررسی شده‌اند، که در ادامه به تعدادی از آنها خواهیم پرداخت.

به طور کلی در بعضی از مقالات فرایند طبقه‌بندی به صورت زیر است:

Verification Tasks (training) .۱

این بخش که در واقع مرحله یادگیری شبکه است. در این بخش نمونه‌های آموزشی که از دسته آنها مطلعیم به صورت دو به دو به عنوان ورودی به شبکه داده می‌شوند و تمایز آنها محاسبه می‌شود. در فرآیند آموزش سعی داریم در صورتی که هر دو نمونه از یک دسته باشند مقدار خروجی را بیشینه و در غیراین صورت کمینه کنیم. لازم به ذکر است که بهتر است بخشی از داده‌های آموزشی به عنوان داده‌های validation مورد استفاده قرار گیرند.

One-shot Tasks (test) .۲

در این بخش، با فرض وجود N دسته C1,C2,...,CN برای طبقه‌بندی هر نمونه آزمایشی احتیاج به N آزمایش داریم. به این صورت که مجموعه زیر از داده‌ها موجود است.

S={(X1,y1),(X2,y2),...(XN,yN)

که Xi و yi ها به ترتيب يك نمونه و نام دسته آن است. بطوریکه  . برای طبقه‌بندی نمونه آزمایشی   آن را با تمام اعضای S به شبکه می‌دهیم. دسته  بر اساس اين آزمايش‌ها دسته‌اى است كه بيشترين شباهت را توليد مى‌كند.

                                                       

‫به فرآيند فوق يادگيرى n One-shot جهته مى‌گوييم. توجه كنيد كه اعضاى كلاس‌‎ها در اين بخش در مرحله verifcation حاضر نيستند.


کاربرد شبکه سیامی در تشخیص امضا

در مقالات موجود نکات مهمی را می‌توان دریافت کرد:

اول از همه این که به نظر میرسد در عمل شبکه‌های سیامی برای یادگیری One-shot از کارایی لازم برخوردار هستند. از آنجایی که در مستله ما نمونه امضای هر فرد تعداد محدودی دارد می‌توان امیدوار بود یادگیری k-shot (در حالت ایده آل k۱ ) توسط شبکه سیامی موثر واقع شود.

دوم اینکه از آنجایی که ماهیت داده‌های امضای برخط از جنس دنباله هستد، به نظر میرسد روش مقاله دوم به این مسئله قابل تعمیم باشد. از آنجا که طول بردار امضا در داده‌های ما ممکن است بسیار بلندتر از جملات باشند، چالش اصلی این است که آیا شبکه‌های LSTM قادر خواهند بود وابستگی‌های بسیار بلند را به نحو موثری تشخیص دهند.


‫سیستم های تشخیص امضا موجود

1) تشخیص امضای برخط  براساس GA-SVM

هوانگ و همکارانش روشی با استفاده از هر دو روش توصیف داده بردار پشتیانی (با استفاده از (SVM) و الگوریتم‌ها ژنتیک (GA)) برای تشخیص امضای برخط ارائه دادند. در این روش یک مجموعه ویژگی  ۲۷ پارامتری شامل شکل و ویژگی‌های دینامیکی از داده امضای برخط استخراج می‌شود. SVM می‌تواند به عنوان یک روش طبقه‌بندی تک رده‌ای مبتنی بر هسته به دقت توزیع حالت امضاهای اصل را پیش‌بینی کرده و SVC۲۰۱۳ امضاهای جعلی را به این صورت تشخیص دهد. داده‌های امضا از دادگان EER در این تحقق برای آزمایش تشخیص استفاده شده است. این روش پیشنهادی EER ای ۴.۹۳ درصدی در دادگان امضای جعل بدست می‌آورد. این روش از پارامترهای ویژگی سراسری استفاده می کند اما با این حال از مزایای ضد دخالت بودن قوی، محاسبات ریاضی راحت برخوردارست. این سیستم در قابلیت تشخیص جزئیات محلی کمی ضعیف عمل می‌کند.

2) تصدیق هویت با استفاده از تصدیق امضای برخط بهبود یافته

کولماتف و همکارانش آزمایشی برای اطمینان صحت امضا با تطبیق دادن امضا با تمام امضاهای مرجع از شخص ادعا شده، با روش کشش زمانی پویا (DTW) ارائه کردند. مقدار فاصله امضای مورد آزمایش با نزدیکترین و دورترین امضاهای مرجع با استفاده از میانگین متناظر با مجموعه مرجع نرمال سازی می‌شوند تا یک بردار ویژگی سه بُعدی را بسازند. سپس این بردار ویژگی به دو رده‌ی اصلی و جعلی طبقه‌بندی می‌شود. با استفاده از تحلیل مولفه‌های اصلی (PCA ) نرخ خطای % ۱.۴ برای مجموعه داده‌ای از ۹۴ شخص و ۶۱۹ امضای آزمایش (شامل اصل و جعل) بدست آمده است. بنابراین، گروه محققان نشان داده‌اند که به نظر میرسد در شناسایی الگوی دو رده‌ای در این مسئله اطلاعات مربوط به فشار، پارامتر متمایزکننده موثری نیست.

3) تشخیص امضای دست نویس برخط با استفاده از طبقه‌بندی توسط شبکه عصی مبتنی بر تحلیل مولفه‌های‌ اصلی

ایرانمنش و همکارانش روشی سیستماتیک برای تشخیس امضا براساس استفاده از شبکه چندلایه پرسترون ( MLP ) روی زیرمجموعه‌ای از ویژگی‌های بدست آمده از تحلیل مولفه‌های اصلی (PCA ) معرفی کردند. روش پیشنهادی تعمیم انتخاب ویژگی‌ای از اطلاعات معمولا بلااستفاده PCA  نشان می‌دهد که نقش مهمی در رسیدن به نرخ خطای پایینتر دارد. آزمایش روی ۴۰۰۰ نمونه امضا از دادگان SIGMA انجام شده و به نرخ قبولی غلط ( FAR) % ۷.۴ و نرخ رد غلط ( FAR ) % ۶.۴ دست یافته است. با استفاده ۸۰۰۰ نمونه امضا دقت % ۹۳.1 بدست آمده است. این مقاله نشان می‌دهد نه تنها PCA بلکه عوامل دیگری مثل مقادیر استفاده شده در شبکه و مقادیر امتیاز به امضا می‌توان تاثیر زیادی در افزایش دقت داشته باشد.

4) امضا

جین و همکارنش از یک تبلت دیجیتال برای تبلت اطلاعات دینامیک و فضایی امضا استفاده کردند. تشابه بین یک امضای ورودی و مجموعه مرجع با استفاده از تکنیک‌های تطبیق رشته محاسبه می شود و سپس با یک مقدار آستانه مقایسه می شود.

  • امضای برخط و برون خط یک روش ترکیبی: رادیکا و همکارانش روی ویژگی‌های برخط و برون خط در کنار هم کار کردند تا بتوانند نتایجشان را در تصدیق و تشخیش امضا ترکیب کنند. روش‌های برخط و برون خط به صورت جداگانه امضا را تصدیق می‌کنند و در نهایت نتایج آنها در کنار هم توسط یک SVM تصدیق می‌گردد. این تحقیق همچنین روش‌های برخط، برون خط و ترکیی را با یکدیگر مقایسه می‌کند. در روش برخط بردار ویژگی و در روش برون خط از گرادیان و ویژگی‌های تصویری برای تشخیس امضا استفاده می‌شود.
  • تشخیص امضا با استفاده از ویژگی‌های استاتیک و دینامیک: وستا و همکاران او توضیح می‌دهند که بافت و ویژگی‌های توپولوژیکی، ویژگی‌های استاتیک یک تصویر امضا هستند در حالی که تبلت دیجیتال ویژگی‌هایی دینامیکی از قبیل فشار، نقاط قطع و زمان نوشتن امضا را به صورت بلادرنگ ثبت می‌کند. از ID- log Gabor wavelet و اعداد اویلر برای تحلیل ویژگی‌های بافتی و توپولوژیکی به ترتیب استفاده شده است. یک الگوریتم طبقه‌بندی چند رده‌ای نتایچ را ترکیب می‌کند و از این سه مجموعه ویژگی (دینامیک، بافت، توپولوژی) به دقت % 1۸ . ۸۹ می‌رسد.
  • تشخیص امضای برخط برای تصدیق هویت چند منظوره با استفاده از گوشی‌های هوشمند: فورهاد و همکاران یک سیستم تصدیق هویت چند عاملی بیومتریک پیاده‌سازی کردند که از پلتفرم موبایل استفاده می‌کند. این مدل به راحتی با استفاده از یک مدل تصدیق هویت تک عاملی یا چند عاملی قابل پیاده‌سازی است و باعث می‌شود دسترسی به یک سیستم تصدیق هویت پیچیده‌تر یا قابل اطمینانتر برای مصارف روزانه ممکن شود.
  • DCT بر اساس استخراج ویژگی برای تشخیص امضای دینامیک: رشیدی و همکاران او روشی ساده و به صرفه را برای تشخیص امضا بر اساس یک تبدیل کسینوس گسسته که به ۴۴ سیگنال زمانی مانند موقعیت، سرعت، شتاب و زاویه قلم اعمال می‌شود، ارائه دادند. از الگوریتم انتخاب ویژگی جلو رونده برای انتخاب زیر مجموعه‌ای ویژگی‌ها که دارای بهترین عملکرد است، استفاده شده است. سیستم ارائه شده با امضاهای جعلی حرفه‌ای و روش‌های طبقه‌بندی متفاوت امتحان شده است.


و در آخر:

در این قسمت توضیحاتی آموزنده در مورد شبکه‌های سیامی گذاشته شد. در آینده مطالب بیشتری را در اختیار شما قرار خواهیم داد، با آرزوی بهترین‌ها برای شما خواننده محترم.


منابع:

آناهیتا دوستی,"بررسی شبکه سیامی و بکارگیری آن برای تشخیص بر خط امضای دستنویس".