本文提出了一种新颖的深度度量学习方法，该方法将三元组模型和嵌入空间的全局结构相结合，依赖于智能挖掘过程以在低计算成本下产生有效的训练样本，通过自适应控制器来加快训练过程的收敛速度，并在实验证明相比其他竞争挖掘方法，我们的方法可以更快地进行更准确的三元组 ConvNets 训练，同时在 CUB-200-2011 和 Cars196 数据集上实现了最新的嵌入结果。

Apr, 2017

本文主要研究深层度量学习，特别是嵌入函数的学习，以及不同三元组选择策略对于学习效果及泛化能力的影响，同时介绍了一种基于可视化工具的嵌入效果展示方法。

Sep, 2019

本文提出了 Group Loss 损失函数，基于可微的标签传播方法实现了嵌入在奇异样本中的相似性、不同群组间的低密度特征，得到了用于聚类和图像检索的先进结果。

Dec, 2019

本文提出了基于距离加权采样的深度嵌入方法，用于图像检索、聚类和人脸验证任务，取得了所有数据集上的最优性能。

Jun, 2017

本文研究了深度神经网络中图像对的相似性函数的学习方法，通过利用嵌入集合中的独立性来提高嵌入的鲁棒性，并借助在线梯度提升问题来划分深度网络的最后嵌入层。通过提出两个损失函数来增加集合的多样性，可用于权重初始化过程或训练期间，对图像检索任务的评估表明，我们的度量学习方法在多个数据集上均取得了比业界领先方法更好的表现。

Jan, 2018

本文提出了三元组网络模型，通过距离比较来学习有用的表示方法，在多个数据集上的结果显示其比竞争对手孪生网络学习了更好的表示方法，而且还探讨了其作为无监督学习框架的未来可能用途。

Dec, 2014

本文研究了深度度量学习中样本挖掘方法的两个关键局限，并提出了应对这些限制的解决方案，结合 Online Soft Mining (OSM) 和 Class-Aware Attention (CAA) 提出了一种新的加权对比损失方法，实验结果表明该方法在细粒度视觉分类和人员重识别任务中取得了良好的性能。

Nov, 2018

本篇论文提出了一种基于深度验证网络和模型集成的图像分类方法，通过自适应筛选样本并训练带有不同复杂度的模型，解决了大样本分类中的难例挖掘问题，相较于现有方法，该方法在多个数据集上有着更高的分类准确率。

Nov, 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