"شبکه های سیامی نوعی از معماری شبکه عصبی هستند که شامل دو یا چند زیرشبکه هویتی است که وزنهای یکسانی را به اشتراک میگذارند و به طور مشترک آموزش داده میشوند. ایده اصلی در پشت شبکه های سیامی، یادگیری معیار شباهت بین جفت نمونه های ورودی است، جایی که خروجی شبکه یک امتیاز شباهت است که میزان شباهت دو نمونه ورودی را اندازه گیری می کند.
شبکه های سیامی می توانند برای وظایف یادگیری few-shot مانند یادگیری یک-تیره و دسته بندی few-shot استفاده شوند، جایی که هدف آن یادگیری طبقه بندی نمونه های جدید با بسیار کمترین تعداد نمونه برچسب گذاری شده است. در این وظایف، شبکه سیامی برای یادگیری معیار شباهت بین تعداد کمی از نمونه های برچسب گذاری شده و نمونه های جدید و ناشناخته استفاده می شود و طبقه بندی را برای نمونه های جدید عمومی می کند.
با این حال، شبکه های سیامی همچنین می توانند برای وظایف دیگری مانند بازیابی تصویر و تشخیص چهره استفاده شوند، جایی که هدف پیدا کردن تصاویر یا چهره های مشابه در پایگاه داده است. در این وظایف، شبکه سیامی برای یادگیری معیار شباهت بین تصویر یا چهره ورودی و تصاویر یا چهره های موجود در پایگاه داده استفاده می شود.
بنابراین، شبکه های سیامی یک معماری چند منظوره هستند که می توانند برای وظایف مختلفی از جمله وظایف یادگیری few-shot استفاده شوند."