15、广义度量群学习与组合距离相似度度量方法研究

广义度量群学习与组合距离相似度度量方法研究

广义度量群学习（GMSL）

1. PubFig人脸数据集测试结果
   PubFig数据集与LFW数据集在无约束人脸验证方面具有相似特性，它包含来自200个人的58,797张人脸图像。为评估有效性，实验采用10折交叉验证，从140个人中选取20,000对样本，每一折包含1000对相同样本和1000对不同样本。
   对比几种当前的度量学习方法，GMSL模型在PubFig数据集上与其他流行度量学习方法进行了受限设置下的比较，结果如下表所示：
   | 方法 | 准确率（%） |
   | — | — |
   | Euclidean | 72.5 |
   | LMNN | 73.5 |
   | ITML | 69.3 |
   | DML - eig | 77.4 |
   | LDML | 77.6 |
   | KissMe | 77.6 |
   | Sub - SML | 77.3 |
   | GMSL | 78.5 |

从表中可以看出，GMSL的准确率为78.5%，比KissMe约提高了1%。与Sub - SML的ROC曲线对比结果也明显显示出GMSL模型的优越性。
2. GMSL模型总结
GMSL模型旨在通过正则化度量学习模型同步学习基于局部补丁的子度量，以获得一个度量群。将GMSL的对偶问题表示为二次规划问题，通过选择性优化算法结合FISTA算法可以有效求解。利用对偶解表示局部补丁子度量，再通过构建的联合相似度函数将样本对转换到向量相似度空间（度量群空间）。基于此，可以轻松解