度量学习 (Metric Learning) 解读

本文转载于以下博客地址：https://blog.****.net/jningwei/article/details/80641184

如有冒犯，还望谅解！

Introduction

度量学习 (Metric Learning) == 距离度量学习 (Distance Metric Learning，DML) == 相似度学习

    是人脸识别中常用传统机器学习方法，由Eric Xing在NIPS 2002提出。分为两种，一种是基于监督学习的，另外一种是基于非监督学习的。

Method

根据不同的任务来自主学习出针对某个特定任务的度量距离函数。通过计算两张图片之间的相似度，使得输入图片被归入到相似度大的图片类别中去。

与经典识别网络相比，经典识别网络有一个bug：必须提前设定好类别数。这也就意味着，每增加一个新种类，就要重新定义网络模型，并从头训练一遍。

比如我们要做一个门禁系统，每增加或减少一个员工(等于是一个新类别)，就要修改识别网络并重新训练。很明显，这种做法在某些实际运用中很不科学。

因此，Metric Learning作为经典识别网络的替代方案，可以很好地适应某些特定的图像识别场景。一种较好的做法，是丢弃经典神经网络最后的softmax层，改成直接输出一根feature vector，去特征库里面按照Metric Learning寻找最近邻的类别作为匹配项。

目前，Metric Learning已被广泛运用于人脸识别的日常运用中。

[1] Wikipedia-距离函数
[2] DistLearnKithttp://www.cs.cmu.edu/~liuy/distlearn.htm
[3] 基于深度学习的Person Re-ID（度量学习）https://blog.****.net/linolzhang/article/details/71247548
[4] 度量学习https://blog.****.net/u012938704/article/details/52672869
[5] 度量学习（Distance Metric Learning）介绍https://blog.****.net/lzt1983/article/details/7884553