深度度量学习综述.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812024⁃10⁃10

计算机应用,2024,44(10):2995-3010CODENJYIIDUhttp：//www.joca.cn

文章编号：1001-9081（2024）10-2995-16DOI：10.11772/j.issn.1001-9081.2023101415

深度度量学习综述

1，2，31，2，3*1，2，31，2，31，2，3

柴汶泽，范菁，孙书魁，梁一鸣，刘竟锋

（1.云南民族大学电气信息工程学院，昆明650504；2.云南省无人自主系统重点实验室（云南民族大学），昆明650504；

3.云南省高校信息与通信安全灾备重点实验室（云南民族大学），昆明650504）

（∗通信作者电子邮箱fanjing9476@ymu.edu.cn）

摘要：随着深度神经网络的兴起，深度度量学习（DML）引起广泛的关注。为了深入了解深度度量学习，首先，整

理和分析传统度量学习方法的局限性。其次，从3个类型探讨DML，包括基于样本对、代理和分类的类型：基于样本

对的类型包括散度方法、排序方法和基于生成对抗网络（GAN）的方法；基于代理的类型主要从代理样本、类别方面进

行讨论；基于分类的类型中主要讨论了跨模态度量学习、类内类间边距问题、超图分类，以及与其他方法（如基于强化

学习和基于对抗学习的方法）的结合。再次，介绍评估DML性能的各种指标，同时总结和对比DML在不同任务（包括

人脸识别、图像检索和行人重识别等）中的应用。最后，探讨DML面临的挑战，并提出一些可能的解决策略。

关键词：深度神经网络；深度度量学习；机器学习；计算机视觉；人工智能

中图分类号：TP181文献标志码：A

Overviewofdeepmetriclearning

CHAIWenze1，2，3，FANJing1，2，3*，SUNShukui1，2，3，LIANGYiming1，2，3，LIUJingfeng1，2，3

（1.SchoolofElectricalandInformationTechnology，YunnanMinzuUniversity，KunmingYunnan650504，China；

2.YunnanKeyLaboratoryofUnmannedAutonomousSystem（YunnanMinzuUniversity），KunmingYunnan650504，China；

3.KeyLaboratoryofInformationandCommunicationSecurityandDisasterRecoveryinUniversitiesofYunnanProvince

（YunnanMinzuUniversity），KunmingYunnan650504，China）

Abstract:Withtheriseofdeepneuralnetwork，D