本文介绍了一种基于 continual learning 方法的视觉搜索模型，它可以不断更新模型以处理增量式的图库集，同时不会影响模型的特征空间并且可以适用于新的图像类别。

May, 2022

本文引入了一种基于连续标签的深层度量学习新方法，包括使用连续标签进行三元组损失和适应连续标签的三元组挖掘策略，同时实验结果显示该方法在三种不同的图像检索任务中表现出较优异性能。

Apr, 2019

本文提出了一种基于正交低秩嵌入的深度学习损失函数方法，用于同时提高图像分类的内部同类相似度和不同类之间的距离。该方法不需要手动选择训练样本，可以作为一个分类损失函数独立使用，并且可以提高深度网络的泛化能力、辨别能力和鲁棒性，特别是在数据 / 模型较小的情况下，能够显著提高 Stanford STL-10 数据集上的表现。

Dec, 2017

本文中，我们提出了一种新的损失函数，它能够直接优化 L2 度量，而无需生成成对数据，从而提高了内容图像检索任务中神经网络的性能。我们使用 CIFAR-100、食品 - 101、SVHN 和 Tiny ImageNet 这四个数据集进行了实验评估，结果表明，与现有的目标函数相比，我们提出的目标函数产生了更好的结果。

Jun, 2023

本篇研究提出了一种方法，使用特定的 loss 函数，在保持图像和文本子空间内的语义连贯性的同时鼓励它们之间的语义协同，并改进了基线模型，以实现跨模态检索。

Jul, 2020

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

本文提出了一种新的可学习的基于框架的重新排序范式，该范式可以捕捉图片和文本之间的邻居关系，提高单模态检索任务的性能。实验结果表明，该范例具有很好的鲁棒性和推广性能力，并且可以在不同的基础模型上取得很好的效果。

Apr, 2023

本文提出了一种分阶段的双向潜在嵌入识别框架，通过探索训练数据的拓扑和标签信息，在底部阶段创建了一个潜在嵌入空间，用于引导未知类别的半监督 Sammon 映射，通过最近邻法预测测试实例的标签，最终实验结果表明，该方法在零样本学习和归纳推理设置下达到了最先进的性能水平。

Jul, 2016

该研究提出一个新的排名列表损失函数来解决现有排名损失函数存在的两个限制，即忽略一些有用的实例和压缩数据分布，以实现在深度度量学习中更快的收敛和更好的性能。

Mar, 2019

通过引入对比一致性搜索（CCR）方法，我们研究了语言模型排名任务中的一致性排名，结果证实 CCR 探测优于提示，甚至与提示更大的语言模型性能相当。

Sep, 2023