經典**：
facenet: a unified embedding for face recognition and clustering
deep metric learning via lifted structured feature embedding
簡單總結下個人對mertic learning的認知：
①本質是學習乙個embedding space，也可以理解為對映空間，使得同類的物體距離更近，不同類物體距離更遠。
②應用場景：a.大量的類別，如人臉；b.每類訓練樣本較少的情況
③與傳統分類任務相比，度量學習能學習到距離度量的一般概念；在學習到的度量空間與近鄰推理相容。
④學習重點：訓練樣本的組合方式及損失函式的定義。樣本有兩兩組合，三元組合，也有下面**的lifted structured embedding結構；
得到embedding space，可當作特徵向量進行人臉驗證（k-nn分類）、識別（和哪個emdedding距離最近）、聚類。
例如在《facenet: a unified embedding for face recognition and clustering》中
如上圖所示，triplet是乙個三元組，這個三元組是這樣構成的：從訓練資料集中隨機選乙個樣本，稱為anchor，然後再隨機選取乙個和anchor 屬於同一類的樣本和不同類的樣本,這兩個樣本分別稱為positive (記為x_p)和negative (記為x_n)，由此構成乙個（anchor，positive，negative）三元組。
針對三元組中的每個元素（樣本），訓練乙個網路，得到三個元素的特徵表達（embedded space），分別記為：
公式化的表示就是：
對應的目標函式：
這裡距離用歐式距離度量，+表示內的值大於零的時候，取該值為損失，小於零的時候，損失為零。
度量學習 筆記
度量學習 筆記 本文的目的僅僅是對 度量學習 做乙個簡單的解釋。度量學習 metric learning 是人臉識別中常用的傳統機器學習方法，由eric xing在nips 2002提出，可以分為兩種 一種是通過線性變換的度量學習，另一種是通過非線性變化的度量。其基本原理是 根據不同的任務來自主學習...
度量學習介紹
知乎大神flood sung發表在cvpr2018上的 介紹了一種基於metric的模式識別方法，創新之處在於它不同於常用的matric based方法，使用人為定義的度量，像簡單的歐式距離 馬氏距離，而是採用了用神經網路去訓練這個度量，模型雖然簡單，但是效果卻很顯著。先說一下關於度量這個概念 在數...
度量學習 分類與檢索
以下純屬個人觀點，如有錯誤，請批評指正 最近用到距離度量學習了，於是乎思考了一下。距離度量學習，最終學出的是m。監督的距離度量學習，最終根據類別標記，學習出乙個好的m，來度量同一類樣本之間的相似性。這是乙個類與相似性之間的直接對應關係。因為對於分類器來說，有的是以距離作為分類標準的，距離近的就認為屬...