[論文レビュー] One-Shot Identification with Different Neural Network Approaches

Janis Mohr, Jörg Frochte|arXiv (Cornell University)|Jan 13, 2026

Face recognition and analysis被引用数 0

ひとこと要約

この論文は産業データセットと画像データセットの3つのone-shot/zero-shot識別手法を比較し、Siamese Capsule Networksが全体的に最も高い精度を提供する一方、結合画像CNNが産業タスクで最も良い性能を発揮することを示している。

ABSTRACT

Convolutional neural networks (CNNs) have been widely used in the computer vision community, significantly improving the state-of-the-art. But learning good features often is computationally expensive in machine learning settings and is especially difficult when there is a lack of data. One-shot learning is one such area where only limited data is available. In one-shot learning, predictions have to be made after seeing only one example from one class, which requires special techniques. In this paper we explore different approaches to one-shot identification tasks in different domains including an industrial application and face recognition. We use a special technique with stacked images and use siamese capsule networks. It is encouraging to see that the approach using capsule architecture achieves strong results and exceeds other techniques on a wide range of datasets from industrial application to face recognition benchmarks while being easy to use and optimise.

研究の動機と目的

• 非常に限られたデータからの学習の問題と、産業およびビジョンタスクにおける堅牢なone-shot識別の必要性を動機づける。
• 3つのアプローチを調査する：結合画像を用いたCNN、Siameseネットワーク、Siamese Capsule Networkをone-shot/zero-shotタスクとして。
• 3つのデータセット（産業用アノード、smallNORB、AT&T faces）でアプローチを評価し、一般化とデータ効率を評価する。
• 性能を定量化し、リアルタイムの産業アプリケーションにおける精度、データ要件、実用性を比較する。

提案手法

• 3つのアーキテクチャを評価する：同一/異なる物体を分類するために結合画像ペアで学習したクラシックなCNN、基準としてのコントラスト損失を用いるSiameseネットワーク、一本または両方のブランチにCapsNet（Capsule Networks）を組み込んだSiameseネットワーク。
• 結合画像を用いるCNNでは、2つの画像を横方向/縦方向に結合するかチャンネルとしてスタックする。スタック化がより良い性能を示し、ある設定で98.36%を達成。
• Siameseネットワークは二つの入力を双子のネットワークで比較し、コントラスト損失L = y 1/2 D^2 + (1-y) 1/2 (max{0, m - D})^2を用いる。Dは埋め込み間の距離。
• CapsNetベースのSiameseは、各ブランチにDynamic Routingを用いるCapsNet、スquisＨking活性化、およびDecoderを用意し、トレーニングはベースラインに似たコントラスト損失を使用。
• 実験は3つのデータセット（産業用アノード、smallNORB、AT&T faces）を対象とし、産業データセットを除き10-foldクロスバリデーションを適用。

実験結果

リサーチクエスチョン

• RQ1 結合画像CNN、Siamese CNN、Siamese CapsNetは多様なドメインでone-shot識別を効果的に実行できるか。
• RQ2 _capsuleベースのSiameseアーキテクチャは、従来のCNNおよびSiamese CNNアプローチと比較して限定データで高い精度を提供するか。
• RQ3 これらの手法は、迅速でデータが少ない識別を要する産業データと、標準的なビジョンベンチマークでどのように性能を発揮するか。
• RQ4 画像融合戦略（結合vsスタック）によるone-shot識別性能への影響は？

主な発見

Approach	Industrial Dataset	smallNORB	AT&T faces
merged images	98.4%	94.7%	88.6%
siamese	96.4%	92.5%	87.3%
siamese CapsNet	97.9%	98.4%	90.2%

• 結合画像CNNはスタックチャンネル入力で産業データセットで高い精度を達成（98.4%）。
• Siamese CNNは産業データセットで96.4%、smallNORBで92.5%、AT&T facesで87.3%を達成。
• Siamese CapsNetは産業データセットで97.9%、smallNORBで98.4%、AT&T facesで90.2%を達成し、しばしばベースラインのSiamese設定を上回る。
• CapsNetベースのSiameseネットワークは小規模データで最も良い性能を示し、smallNORBで顕著。
• 産業タスクでは、デコーダ生成データと組み合わせたスタックCNNアプローチが若干Siamese CapsNetより高精度（98.5%）となり、デコーダ拡張が性能を向上させる可能性を示唆。