度量学习（Distance Metric Learning）介绍

最新推荐文章于 2024-10-01 17:22:10 发布
最新推荐文章于 2024-10-01 17:22:10 发布
阅读量2.2k 收藏 1
点赞数
分类专栏： 机器学习 文章标签： 机器学习
本文介绍了距离度量学习(DML)的基本概念及其意义，并列举了一些重要的参考资源，包括经典算法如LMNN和ITML等。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

metric learning（DML）的综述文章，对DML的意义、方法论和经典论文做一个介绍.


先列一些DML的参考资源.

1. Wikipedia

2. CMU的Liu Yang总结的关于DML的综述页面。对DML的经典算法进行了分类总结，其中她总结的论文非常有价值，也是我的入门读物。

3. ECCV 2010的turorial。

4. Weinberger的页面，上面有LMNN（Distance Metric Learning for Large Margin Nearest Neighbor Classification）的论文、sclides和代码。

5. ITML(Information Throretic Metric Learning)。ITML是DML的经典算法，获得了ICML 2007的best paper award。sclides。






http://blog.youkuaiyun.com/lzt1983/article/details/7884553

度量学习(Metric Learning)
AI天才研究院
07-12 1050
度量学习(Metric Learning) Metric Learning. 度量学习(Metric Learning)是指在特定的任务上通过理解样本之间的相似关系，学习一个合适的距离度量函数。传统的度量学习方法通常使用
Metric Learning——度量学习
weixin_47656442的博客
06-24 1108
一个具有度量的集合被称为。
深度度量学习综述.pdf
08-18
深度度量学习综述.pdf
度量学习---综述
热门推荐
xys430381_1的专栏
05-30 1万+
度量函数 metric learning 摘自：《Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition》 Apart from the techniques above, deep metric learning aims at the learning of appropriate similarity...
度量学习综述、目标检测综述、图像检索综述
Galen_xia的博客
06-30 458
度量学习综述
深度度量学习小综述
weixin_38817895的博客
08-17 1149
深度度量学习：对比损失[1]首次将深度神经网络引入度量学习，它只约束类内对的特征尽量近而类间对的特征尽量远，三元组损失[2]在对比损失的基础上进一步考虑了类内对与类间对之间的相对关系，首先固定一个锚点样本（anchor），希望包含该样本的类间对（anchor-negative）特征的距离能够比同样包含该样本的类间对特征的距离大一个间隔。由于三元组损失一次采样三个样本，虽然能够同时考虑类间距、类内距以及二者的相对关系，但没有充分利用每个batch内的所有样本，因此[3]提出在一个batch内建立稠密的成对（p
An Overview of Distance Metric Learning (by Liu Yang)
03-06
Liu Yang撰写的文章《An Overview of Distance Metric Learning》是一篇经典的度量学习综述论文，它对度量学习领域内的问题进行了分类，并详细总结了每类问题下现有的工作及其本质联系、优势和不足。 文章首先介绍...
度量学习Metric Learning
邦戈邦戈栗子的博客
01-14 3304
度量学习 (Metric Learning) == 距离度量学习 (Distance Metric Learning，DML) == 相似度学习  度量学习 是指 距离度量学习，Distance Metric Learning，简称为 DML，是人脸识别中常用传统机器学习方法，由Eric Xing在NIPS 2002提出。 度量学习（Metric Learning）也就是常说的相似度学习。如果...
Decomposition based Transfer Distance Metric Learning for Image Classification
02-22
这篇研究论文的标题为“基于分解的转移距离度量学习用于图像分类（Decomposition based Transfer Distance Metric Learning for Image Classification）”，由Yong Luo, Tongliang Liu, Dacheng Tao以及Chao Xu撰写...
Distance Metric Learning with Application to Clustering with Side-Information
03-06
Distance Metric Learning with Application to Clustering with Side-Information (by Eric P. Xing)，2003年发表的NIPS论文，度量学习的经典开山之作。
【知识积累】深度度量学习综述
进阶中的程序员吃吃的博客
12-13 1264
否则，在严格监督的环境中，您不会期望测试集中出现严重超出分布的样本，ArcFace 及其变体绝对是最佳选择，正如最近 Kaggle 竞赛中表现最佳的选手所证明的那样。让我们将其映射到超球面！更重要的是，比赛的重要部分是对给定的鲸鱼是否是新的进行分类。遗憾的是，众所周知的事实是，在酷炫新方法的学术基准上报告的 SOTA 结果可能无法反映其在现实世界问题中的表现。对比方法的主要思想是设计一个损失函数，直接将具有相同标签的样本（即“相似”样本）的嵌入放在一起，并让不相似样本的嵌入彼此远离，因此得名“对比”。
漫谈度量学习（Distance Metric Learning）那些事儿
Paper weekly
01-22 4607
©作者 | 黄春喜单位| 香港科技大学研究方向 | 智能交通前言上图为 2018 年 4 月在杭州阿里中心听 Michael Jordan 讲座时所摄，他本人也是 distance me...
度量学习整理笔记
qq_38747027的博客
08-24 802
深度度量学习初步整理 知乎：triplet loss 在深度学习中主要应用在什么地方？有什么明显的优势？ 文章链接 Triplet loss通常是在个体级别的细粒度识别上使用，传统的分类是花鸟狗的大类别的识别，但是有 些需求是要精确到个体级别，比如精确到哪个人的人脸识别，所以triplet loss的最主要应用也就是 face identification, person re-identification, vehicle re -identification的各种identification识 别问题上
度量学习的优点、缺点、以及使用度量学习时，需要注意以下问题！！
qlkaicx的博客
02-04 1381
度量学习1. 度量学习的优点包括：2. 度量学习也存在一些缺点：3. 使用度量学习时，需要注意以下问题： 1. 度量学习的优点包括： 相似性识别：度量学习主要用于识别相似对象或模式。例如，在人脸识别或物体识别任务中，度量学习可以帮助模型更好地理解图像内容，提高识别准确率。 无监督学习：度量学习可以在没有标签数据的情况下进行训练，这使得它在某些情况下可以避免手工标注数据的困难和成本。 强大的表示能力：度量学习可以让模型学习到更强大的表示能力，从而更好地泛化到新任务和数据。 2. 度量学习也存在一些缺点：
【AI知识点】度量学习（Metric Learning）
最新发布
AI完全体
10-01 1276
度量学习（Metric Learning）是一种机器学习方法，目标是通过学习一个距离度量函数，使得在特征空间中，相似的样本距离更近，不相似的样本距离更远。简单来说，它是在特征空间中定义一种适当的距离度量，使得模型能够更好地区分不同的类别或判断相似性。
推荐两个Distance Metric Learning和Dimensionality Reduction的matlab工具包
xinzi_z的专栏
08-16 1088
最近在做与distance metric learning相关的一些研究，需要一些经典算法的实现。在网上搜了一下，很快就找到了“a matlab toolkit for distance metric learning"，链接如下： http://www.cs.cmu.edu/~liuy/distlearn.htm 但是，在具体使用中，发现由于年限太久的原因，一些代码已经无法下载了，比如经典的
度量学习在有侧信息聚类中的应用
"Distance Metric Learning with Application to Clustering with Side-Information"是Eric P. Xing等人在2003年NIPS会议上发表的一篇经典论文，该论文在度量学习领域具有开创性意义。 在机器学习和数据挖掘中，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值