本文提出了一种基于余弦相似度的 DDML 方法，以更好地利用 L2 归一化，并提出了一种基于 von Mises-Fisher 分布的新型损失函数来学习子空间结构，加上一种新的高效学习算法可以更好地捕捉嵌入空间的整体结构，并在几个标准数据集上进行分类和检索实验，证明我们的方法具有良好的性能和较简单的训练过程。
Feb, 2018
该研究利用深度网络以端到端的方式学习表示和相似度度量，在全局测度学习的基础上优化深度测度嵌入，进而获得在分类和检索任务上的最先进表现。
Dec, 2016
本文介绍了一种利用训练批次的算法，将向量的成对距离提升到成对距离矩阵，从而以学习结构化预测目标的方式来优化最先进的特征嵌入方法，同时在 CUB-200-2011、CARS196 和 Online Products 数据集上进行实验，证明在所有实验的嵌入尺寸上都能够显著提高。
Nov, 2015
本论文提出将数据的密度测量集成到 DML 的优化框架中，以在端到端的训练过程中自适应平衡类间相似性和类内变异性，通过在三种嵌入方式上增加密度适应性，不断地在三个公共数据集上展示清晰的改善。
Sep, 2019
本文提出了一种适应于当下行人重识别局部样本结构的新型采样方法和目标函数，利用一定的局部样本来挖掘适当的正例，以提高深度嵌入的性能，并在训练过程中学习一种深度相似性距离度量，以此来增加像素级的区分度，并处理掉行人图像中的复杂性因素，本方法在基准测试数据集上取得了最好的性能表现。
Jun, 2017
本文提出了一种新的中等正样本挖掘方法来训练鲁棒的 CNN 以解决人员重识别中的大变化问题。在此基础上，通过度量权重约束来改进学习，从而使学习到的度量具有更好的通用性。实验表明，这两种策略能够有效地学习到鲁棒的深度度量，并且相应地，我们的深度模型在几个人员重识别基准测试上显著优于现有的最先进方法。因此，本文提出的研究可能对启发人员重识别的新深度模型的设计有用。
Nov, 2016
本文提出了一种基于深度度量嵌入的半监督学习算法，利用少量标注数据和无标注数据的相对距离关系约束，得到在欧氏空间内区分力强的分类器，并可用于基于最近邻分类的应用。
本文提出了一种硬度感知的深度度量学习（HDML）框架，通过利用线性插值对嵌入空间进行自适应调整，生成相应的保留标签合成数据进行回收训练，以充分利用所有样本中 buried 的信息，从而使度量始终面对适当的困难程度。实验结果表明，本方法在 widely used 的 CUB-200-2011、Cars196 和 Stanford Online Products 数据集上表现出极具竞争力的性能。
Mar, 2019
本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。
Jul, 2014
我们提出了一种新的语义实例分割方法，该方法首先计算两个像素可能属于同一个对象的概率，然后将相似的像素分组。我们的相似度度量基于一种深度的，完全卷积的嵌入模型。我们的分组方法基于选择所有与从深度完全卷积计分模型中选择的一组 “种子点” 足够相似的点。我们在 Pascal VOC 实例分割基准测试中展示了竞争性的结果。
Mar, 2017