本文针对之前的距离度量学习算法中存在的一些问题，提出了一种通过分布模型在表示空间中自适应评估相似性，并通过惩罚类别分布重叠实现局部判别的新方法，在多项任务上取得了最新的分类结果，并提高了所学表示的属性集中度和层次恢复能力。

Nov, 2015

本文提出了一种自适应于本地功能结构的相似度度量，由于有利于选择真正的艰难样本来指导深度嵌入学习，并且具有更快收敛和提高性能的优势，在复杂的图像检索数据集上表现优异。

Oct, 2016

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

本文通过评估在多种标准数据集上，对基于分类的参数化训练方法在图像检索领域的有效性和可扩展性进行了分析，进一步提供了样本分类的子采样和数据二值化对实际应用性能的影响。

Nov, 2018

本文提出了一种新的基于 Energy Confused Adversarial Metric Learning(ECAML) 框架的深度度量学习方法，该方法通过引入混淆因子，实现优化强鲁棒度量学习。该方法不仅重视判别性，更强调了泛化能力对零样本图像检索和聚类任务的作用，实验结果显示在 CUB、CARS、Stanford Online Products 和 In-Shop 等数据集上达到了最先进的水平。

Jan, 2019

本文提出了一种深度度量学习的新方法，通过将数据和嵌入空间分割为K个子问题，并在网络的嵌入层中定义的不重叠的子空间中分别学习K个不同的距离度量方式，从而能够更高效地利用嵌入空间，并且相较于之前的方法有更快的收敛速度和更好的泛化效果。实验结果表明，该方法在 CUB200-2011、CARS196、Stanford Online Products、In-shop Clothes 和 PKU VehicleID 数据集的检索、聚类和重新识别任务中的表现显著优于最先进技术。

Jun, 2019

本文提出了一种名为S2SD的新方法，将基于相似性的自我蒸馏应用于Deep Metric Learning模型中，通过辅助高维度嵌入和特征空间的知识蒸馏，在保持测试时间成本不变的情况下，实现推理性能的显著提升。实验结果表明，该方法能够有效地提高Recall@1指标，同时也创造了新的最优性能记录。

Sep, 2020

本文提出一种新方法—— LoOp 来寻找最佳的 hard negatives，实现在嵌入空间中进行度量学习，与已有方法相比，可以在三个标准数据集上得到更好的性能表现。

Aug, 2021

本研究提出基于距离比率的度量学习公式，该公式拥有两种有用特性，其对嵌入的比例缩放不敏感，同时输出的是生成类别点的最佳分类置信度得分。研究中还通过在CUB和mini-ImageNet数据集上进行少样本分类实验，证明了DR公式通常比softmax公式实现更快和更稳定的度量学习，从而取得了改进或相当的泛化性能。

Jan, 2022

通过深度度学习，优化深度神经网络的目标函数在创建输入数据的增强特征表示中起着至关重要的作用。然而，基于交叉熵的损失函数对于具有大的类内差异和低的类间差异的输入数据分布来说往往不够充分。深度度量学习旨在通过学习将数据样本映射到代表性嵌入空间的表示函数，以度量数据样本之间的相似性。它利用精心设计的采样策略和损失函数，帮助优化产生具有低类间和高类内方差的区分性嵌入空间的生成。在本章中，我们将概述该领域最新的进展，并讨论最先进的深度度量学习方法。

Dec, 2023