- 转移度量学习：算法、应用和展望
本文介绍了关于迁移测度学习的分类和度量传递策略，包括直接度量逼近、子空间逼近、距离逼近和分布逼近。同时，总结和探讨了迁移测度学习的不同方法及其应用，并指出了未来可能的研究方向和挑战。
- RepMet: 基于代表性度量学习的分类和单次物体检测
本文提出了一种新的 DML 方法，该方法同时学习骨干网络参数、嵌入空间和每个训练类别在该空间中的多模态分布，通过单一的端到端训练过程优于现有最优方法，不仅在标准的精细化数据集上，而且在少样本目标检测问题上也取得最佳结果，并在基于 Image - CVPR大规模距离度量学习及其不确定性
本文提出了一种保持边界的度量学习框架，同时学习距离度量和潜在样本。该方法在处理大规模数据集时具有高效性，并且可以使学习的度量对数据不确定性具有鲁棒性，并且通过实验证明了该方法的有效性和高效性。
- 促进正交性的距离度量学习：凸松弛和理论分析
本文通过采用凸放松方法解决原始问题中的非凸问题，提供关于促进平衡性的 OPR 能力的正式分析，以及直接揭示 OPR 与泛化性能之间关系的理论分析，解决了 DML 中的三个问题。
- AAAI自适应图卷积神经网络
本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络（Graph CNNs），在九个图结构数据集上，实现了收敛速度和预测精度方面的显著性能提升。
- 基于 Softmax 的特征与基于距离度量的特征比较的意义
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 - 超越卷积的优化：利用端到端度量学习推广空间关系
本文提出了一种基于距离度量学习的端到端方法来推广空间关系，通过训练神经网络将对象的 3D 点云转换为捕捉所述空间关系相似性的度量空间，使用梯度优化来计算物体姿态来模仿任意目标关系，实验结果表明该方法使机器人能够在未知对象上推广空间关系。
- ICLR视角流型学习在新物体相似度感知中的转移
基于深度卷积神经网络的感知相似度判断模型，通过重新训练降低同一类别内和不同类别之间，物体表征之间的有效距离，从而实现对同类别内物体的区分和识别，并在深度网络中找到与人们的感知相似度判断更好匹配的特征表征。
- ICCV使用代理实现无需繁琐的距离度量学习
使用 proxy 点的三元组损失函数能够更快速地优化距离度量学习，提高零样本学习数据集的精度至多 15％，且比其他三元组损失函数的收敛速度块 3 倍。
- 基于度量学习的空间关系推广到新对象
该论文介绍了使用距离度量学习的新方法来解决自主机器人在富含各种空间关系的人类中心环境中的空间关系学习问题，从而使其能够以灵活的方式学习任意的关系并进行泛化，这在非专家用户的辅助下以一个小数量的例子交互式地完成。
- AAAIDARI: 人物验证的距离度量与表示集成
本文提出了名为 DARI 的端到端学习框架，其中将距离度量和特征表示融合在一起。通过使用深度卷积神经网络来解决距离不匹配问题，证明了 DARI 在人员验证等方面的有效性，并在多个公共数据集中实现了最佳性能。
- CVPR学习判别性的零空间用于人员再识别
本研究提出了一种新的人物再识别（re-id）距离度量学习方法，通过匹配训练数据的判别式空间来克服小样本问题，并且在多个数据集上进行的实验表明此方法比现有方法具有更好的识别效果。
- ICLR自适应密度判别度量学习
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。
- CVPR多阶段度量学习实现细粒度视觉分类
本研究提出了一种多阶段度量学习框架，针对细粒度视觉分类中高维特征向量的学习问题，通过距离度量学习解决了相互关联且难以区分的子类别和大量内部类差异等问题，并在 FGVC 基准数据集上取得了显著的性能提升。
- 自适应抽样和小批量随机梯度下降进行高效距离度量学习
本研究提出了利用随机梯度下降中的小批量和自适应采样两种策略来有效地减少 DML 的计算复杂度，证明了这些方法的理论保证，并进行了广泛的实证研究以验证所提出算法的有效性。
- 平滑优化的鲁棒指标学习
本文提出了一种称为鲁棒测度学习的方法，旨在从嘈杂的侧面信息中学习距离度量，将学习任务最初制定为组合优化问题，并将其优雅地转换为凸规划问题，提出了一种基于平滑优化的高效学习算法，最后在 UCI 数据集上的实验研究证明了所提出方法的有效性。