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

本研究提出了一种基于信息传递网络的方法，能够考虑 mini-batch 中全部样本之间的关系，通过加入注意力机制，使得样本能够在信息传递中自行确定重要性，该方法在 CUB-200-2011、Cars196、Stanford Online Products 和 In-Shop Clothes 数据集上取得了最佳效果。

Feb, 2021

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

通过使用 SoftTriple loss 函数中每一个类别拥有多个中心的方式，可优化浅层距离计量学习算法，而无需采样。

Sep, 2019

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。

Nov, 2016

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

本文研究深度度量学习中的损失函数对于网络关注图像相似区域或特征的影响，并采用两步分析方法提取不同模型架构在不同损失函数下的学习视觉特征，结果表明，不同损失函数会引导模型学习不同的特征，分类型和排名型的损失函数存在差异，而某些似乎不相关的图像特征对最终嵌入结果也具有显著影响。

May, 2022

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

该文章提出一种称之为 “Easy Positive” mining 的松散的嵌入策略，并利用实验和可视化方法证明了这种方法可以获得更灵活、泛化性更好的嵌入，可能为图像检索领域带来新的进展。

Apr, 2019