度量学习之参考指南

度量学习之参考指南

      度量学习是指距离度量学习，Distance Metric Learning，简称为 DML，广泛应用于计算机视觉中的图像检索和分类、人脸识别、人类活动识别和姿势估计，文本分析和一些其他领域如音乐分析，自动化的项目调试，微阵列数据分析等，度量学习是Eric P. Xing, Andrew Y. Ng等人在NIPS 2003提出。

      这并不是个新词，说的直白一点，metric learning 是通过特征变换得到特征子空间，通过使用度量学习，让类似的目标距离更近（PULL），不同的目标距离更远（push），也就是说，度量学习需要得到目标的某些核心特征（特点），比如区分两个人，2只眼睛，1个鼻子－这是共性，柳叶弯眉樱桃口－这是特点。

      我们可以把度量学习分两种，一种是基于监督学习的，另外一种是基于非监督学习的。

监督学习

1）LDA Fisher线性判别

2）Local LDA