孿生神經網路
Siamese Neural Network
Siamese Neural Network 是一種特殊類型的神經網路架構，
與一個學習對其輸入進行分類的模型不同，
該神經網路是學習在兩個輸入中進行區分。
它學習了兩個輸入之間的相似之處。
當我們在做單樣本分類任務的時候，
網路可以比較測試集與訓練集中的每張圖片，
然後挑選出哪一張與它最可能是同樣類別。
金字塔深度特徵提取模型
Pyramid Deep Feature Extraction Model
在處理多尺度變化問題時，
目前很多的網絡都使用了利用單個高層特徵，
但是這樣做有一個明顯的缺陷，
即小物體本身俱有的像素信息較少，
在下採樣的過程中極易被丟失，
為了處理這種物體大小差異十分明顯的問題，
傳統的方法便是利用圖像金字塔的方式進行多尺度變化增強。
集成式學習 - Bagging
Ensemble Learning - Bagging
所謂的 Ensemble Learning ，
其理念相當於「三個臭皮匠，勝過一個諸葛亮」的概念，
希望藉由團隊合作，
結合多種模型的表現，
提升最後的預測/分類結果。
一般有三種常見的架構：Bagging、Boosting、Stacking。
其中 Bagging 在演算法上，
是將樣本重複抽樣(取後放回)，
產生多個子資料集後，
依序建立多個模型，
最後再將所有模型的結果彙整在一起。
如果是回歸問題，
那就把所有結果平均起來；
如果是分類問題，
那就用投票法，
判斷哪個類別出現最多次。
