提出了一种快速逼近的三元组损失（FAT）来匹配人物重新识别任务的大规模数据集中的潜在噪声标签，同时提出了标签蒸馏策略来改进由于潜在噪声标签的学习，结果表明该方法可显著提高 ReID 特征的准确性，效率，鲁棒性和直接可迁移性。

Dec, 2019

本文提出了一种新的蒸馏方法，该方法使用教师网络的类中心作为学生网络的训练目标，通过这种方法，能够在 LFW、AgeDB-30 和 Megaface 数据集上超越其他已知的轻量级神经网络架构蒸馏方法，实现更好的人脸识别效果。

Mar, 2020

本文研究基于深度神经网络和三元组中心损失的面部表情识别方法，并探索三种负样本选择策略和一种选择性注意力模块以提高识别效果。在 RAF-DB 数据集上进行的实验表明，所提出的方法相对于基线方法在所有三种负样本选择策略上都有显着改进。

Feb, 2023

该文提出了一种简单的方法来学习人脸图像中对于识别最重要的部分并使卷积神经网络更好地学习所有区域的判别特征，同时，引入了一种新的损失函数 ——batch triplet loss，通过降低正负分数的标准差来改善 triplet loss 的性能，同时在 LFW 数据集中得到了显著的改进。

Jul, 2017

本论文提出了一种使用卷积神经网络进行局部对象在杂乱环境中的 3D 对象实例识别和姿态估计的方法，通过引入动态边界到多样性拓扑学习的三元组损失函数中，来在低维描述符空间上建立对象相似度模型，采用新背景噪声类型和表面法线等多种模态的图像数据进行训练，形成了更高维的特征表征以及更好的训练平衡性。

Apr, 2019

该研究探讨了计算机视觉中人物重新识别子领域中三元组损失函数的表现，与其他损失函数相比，它能够更好地进行端到端的深度度量学习。

Mar, 2017

研究了在三维目标检测中，利用不同的深度度量学习方法来提高检索效果的效果，并针对性的提出了三种不同的模型评估方式 —— 三元组损失、中心损失和三元组 - 中心损失，进行了广泛的实验验证和效果评估，最终和已有领先算法进行了效果对比。

Mar, 2018

本文提出了一种新的 Distribution Distillation Loss 方法来缩小容易和难的样本之间的性能差距，该方法是一种简单、有效、通用的面部变形方法，并在各种类型的面部变形基准上展示了其显著优越性。

Feb, 2020

本文研究三元损失函数的行为，表明在随机三元组选择的情况下，当三元损失函数的边缘大于潜空间中两点之间的最大距离时，可以利用其崩溃现象来限制机器学习模型所创造和长期保持的偏见，从而得到公平的分类器。

Jun, 2023

本文提出了一种名为 CoupleFace 的有效人脸识别蒸馏方法，通过引入互动关系蒸馏（MRD）到现有蒸馏框架中，使得学生模型也能够充分利用互动关系知识，并通过丰富实验结果证明了 CoupleFace 在多个基准数据集上的有效性。

Apr, 2022