本文提出了一种流形匹配方法来生成模型，该方法包括分布生成器和度量生成器，通过学习距离度量来生成符合真实数据流形的样本，并且应用于无监督和有监督学习任务，得到了良好的效果。

Jun, 2021

基于超辐角的对比学习在学习高质量图嵌入中表现良好，通过设计对齐度量和均匀性度量，解决了生态树属性和泊松球边界处的各向同态问题，实验证明了该方法在监督学习和自我监督学习中的有效性。

Oct, 2023

本文提出了一种基于余弦相似度的 DDML 方法，以更好地利用 L2 归一化，并提出了一种基于 von Mises-Fisher 分布的新型损失函数来学习子空间结构，加上一种新的高效学习算法可以更好地捕捉嵌入空间的整体结构，并在几个标准数据集上进行分类和检索实验，证明我们的方法具有良好的性能和较简单的训练过程。

Feb, 2018

本研究提出了 Distance Learner 方法，利用 “流形假设” 作为先验知识，对于 DNN-based 分类器进行训练，结果表明 Distance Learner 相比标准分类器学习到更有意义的分类边界，并且在对抗鲁棒性任务中表现出色。

Jul, 2022

本文介绍了一种通过简单地重新参数化传统的 softmax 分类方案来有效优化余弦相似度的方法，在两个抽取的特征对应相同身份时会更加接近，这种方法被用于大规模行人再识别数据集中达到了竞争性的好结果。

Dec, 2018

我们提出了一种将局部流形学习与对比学习相结合的创新框架，用于无参考图像质量评估。该方法通过从给定图像中采样多个裁剪，识别出最具视觉显著性的裁剪，并将其他来自同一图像的裁剪作为正类进行聚类，将来自不同图像的裁剪作为负类以增加类间距离。与其他方法不同的是，我们的方法还将来自同一图像的非显著性裁剪作为类内负类以保持其独特性。此外，我们还采用了互相学习的框架，进一步增强了模型的自适应学习和视觉显著性区域识别能力。我们的方法在 7 个标准数据集中表现出更好的性能，达到了 0.942 的 PLCC 值（与 TID2013 的 0.908 相比）和 0.914 的 PLCC 值（与 LIVEC 的 0.894 相比）。

Jun, 2024

本文研究了自监督学习在数字病理学中的应用，探讨了其在非物体中心数据集上的不同表现，提出了不同的视角生成和超参数调整方法，并通过大量实验分析证明了对组织分类下游任务有积极的影响。

Dec, 2021

本文提出了一种利用深度学习框架将每个像素映射到特征空间的方法来构建人类图像之间的密集对应关系，并提出了新的损失函数来推动特征根据它们在表面上的测地距离分开，实现视觉上相似的部分差异化以及通过统一的特征空间对不同的主题进行对齐，实验结果表明，该特征空间可以对图像之间产生准确的对应关系，并具有明显的推广能力。

Mar, 2021

本研究针对深度卷积模型的线性和非弹性的特点易受到对抗扰动的攻击，提出了一种基于非线性径向基卷积特征映射的方法，通过学习类马氏距离函数，将卷积特征映射到线性分离的流形上来提高深度卷积神经网络对抗扰动的鲁棒性。研究结果表明，该方法可以提高深度卷积神经网络对抗扰动的鲁棒性而不会降低对干净数据的准确性。

Mar, 2019

本文提出了一种新的中等正样本挖掘方法来训练鲁棒的 CNN 以解决人员重识别中的大变化问题。在此基础上，通过度量权重约束来改进学习，从而使学习到的度量具有更好的通用性。实验表明，这两种策略能够有效地学习到鲁棒的深度度量，并且相应地，我们的深度模型在几个人员重识别基准测试上显著优于现有的最先进方法。因此，本文提出的研究可能对启发人员重识别的新深度模型的设计有用。

Nov, 2016