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