本研究利用基于样式的多任务学习方法来进行对用户活动的作者归属度量，进而在四个不同的暗网论坛上取得了比现存算法更好的效果。

Apr, 2021

本文使用度量学习替代交叉熵方法进行神经网络图像处理的异类检测，实现了与先前研究相当或更好的结果，尤其在交通标志识别等相关应用中表现良好。

Aug, 2018

本文提出了一种基于 triplet loss 和 proxy 的新型损失函数来实现各个身份特征之间的最小可分性，该函数简单易实现且在高分辨率和低分辨率人脸识别任务中均可达到 SOTA 的性能表现。

Mar, 2021

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

通过在同一网络结构下客观比较 end-to-end 距离度量学习与 softmax 分类两种方法提取的特征，我们发现在数据集大小较大时，基于 softmax 分类的特征甚至比最先进的 end-to-end 距离度量学习方法表现更好，表明在评估深度特征的性能时应当妥善考虑基于 softmax 分类的特征。

Dec, 2017

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

本文基于 Bucher 等人的工作，引入了一种新颖的度量学习目标函数，该函数可与图像和属性之间的相似度一起学习属性的最佳嵌入。本文通过提出若干控制生成负对的方案来扩展这种方法，在三个具有挑战性的零样本分类数据集上，获得了显着的性能提高，达到了最高水平的结果。

Aug, 2016

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

本论文旨在探究在不需要额外注释或训练数据的情况下，如何学习图像相似性的特征。通过构建一种新的三元组采样策略，实验结果表明，该方法可以显著提高深度度量学习的性能，并在各种标准基准数据集上实现了新的最优结果。

Apr, 2020

提出了一种新的损失函数，EM-Softmax，用于训练 CNN 模型的分类任务，以解决 softmax loss 在特征区分度和分类器弱点方面的局限性，并使用 Hilbert-Schmidt 独立性准则构建弱分类器的集合，通过实验验证其优于当前状态下的 softmax loss 和其他一些算法的性能。

May, 2018