通过将每个特征向量视为不同的语义实体，并将 GAP 视为其的凸组合，我们将 GAP 广义化为可学习的广义求和池化方法（GSP），通过选择语义实体的子集并学习对应的权重，提高了 GAP 的能力，进而通过在 4 个流行的度量学习基准上进行深入评估来证明我们方法的有效性。

Aug, 2023

本研究探讨了如何训练用于计数物体的单视角回归模型，提出了使用全局求和池化代替全局平均池化或全连接层，从而避免局部估计相互抵消的问题以及由于在全分辨率图像上训练而导致的过拟合问题，并在四个不同的航空影像数据集上验证了模型的有效性。

May, 2018

本文主要研究深层度量学习，特别是嵌入函数的学习，以及不同三元组选择策略对于学习效果及泛化能力的影响，同时介绍了一种基于可视化工具的嵌入效果展示方法。

Sep, 2019

通过多个互补的学习任务，同时优化训练信号以学习一种单一模型，以实现更强的泛化能力和在多个已建立的深度度量学习基准数据集上的最新性能。

Apr, 2020

该研究提出一种基于批标准化和集成模型的域泛化方法，以在不同和未知的领域中提高机器学习模型的鲁棒性和分类准确性。

Nov, 2020

本文通过对深度度量学习算法的客观比较研究，发现了深度度量学习算法饱和度高于文献中表明的水平，并揭示了嵌入空间密度与模型泛化性能之间的相关性，并提出了一种简单有效的训练正则化方法来提高基于排名的深度度量学习模型的性能。

Feb, 2020

本研究探讨了使用其他层进行特征提取以及加入新的规范化实践对深度度量学习的影响，表明在小至中规模数据下，使用其他层进行特征提取有助于使模型更好地泛化，可以提高细粒度图像检索的性能。

Mar, 2018

本研究提出了基于深度学习的 GAP 框架来解决节点分割问题。通过定义不同 iable 损失函数以及利用反向传播来优化网络参数，实现基于图结构的节点分割。相较于传统的分割方法，GAP 不仅更快，并且具有良好的扩展性能力，可适用于不同的图结构，并可推广到未知的图形结构上。研究表明，GAP 能够取得与传统分割方式相媲美的结果。

Mar, 2019

本文提出了 Group Loss 损失函数，基于可微的标签传播方法实现了嵌入在奇异样本中的相似性、不同群组间的低密度特征，得到了用于聚类和图像检索的先进结果。

Dec, 2019

本篇论文探讨了推广汇聚方法以增强句子嵌入，我们提出了基于向量的多头自注意力池化方法，该方法包括广泛使用的最大池化、平均池化和标量自注意力池化作为特殊情况，该模型通过适当设计的惩罚项减少多头注意力中的冗余，并在自然语言推理、作者配置文件和情感分类等三个不同任务上对提议模型进行了评估，实验表明，所提出的模型相对强的基于句子编码的方法实现了显著的改进，在四个数据集上呈现出最新技术水平。

Jun, 2018