度量学习和深度度量
2022-09-18 本文已影响0人
可能性之兽
度量学习（Metric Learning），也称距离度量学习(Distance Metric Learning，DML) 属于机器学习的一种。其本质就是相似度的学习，也可以认为距离学习。因为在一定条件下，相似度和距离可以相互转换。比如在空间坐标的两条向量，既可以用余弦相似度的大小，也可以使用欧式距离的远近来衡量相似程度。
当样本量不大时，度量学习在处理分类任务的准确率和高效率上，展现出了显著优势。
深度度量学习又被称为距离度量学习（Distance Metric Learning）。相较于度量学习，深度度量学习可以对输入特征做非线性映射。
通过训练一个基于 CNN 的非线性特征提取模块或编码器，深度度量学习可以将提取的图像特征（Embedding）嵌入到近邻位置，同时借助欧氏距离、cosine 等距离度量方法，将不同的图像特征区分开来。
接下来，深度度量学习再结合 k 最近邻、支持向量机等分类算法，就可以在不考虑类别数量的基础上，利用提取的图像特征，来完成目标识别任务了。
