Introduction
度量學習 (Metric Learning) == 距離度量學習 (Distance Metric Learning,DML) == 相似度學習
是人臉識別中常用傳統機器學習方法,由Eric Xing在NIPS 2002提出。
分爲兩種,一種是基於監督學習的,另外一種是基於非監督學習的。
Method
根據不同的任務來自主學習出針對某個特定任務的度量距離函數。通過計算兩張圖片之間的相似度,使得輸入圖片被歸入到相似度大的圖片類別中去。
與經典識別網絡相比
經典識別網絡有一個bug:必須提前設定好類別數。
這也就意味着,每增加一個新種類,就要重新定義網絡模型,並從頭訓練一遍。
比如我們要做一個門禁系統,每增加或減少一個員工(等於是一個新類別),就要修改識別網絡並重新訓練。很明顯,這種做法在某些實際運用中很不科學。
因此,Metric Learning作爲經典識別網絡的替代方案,可以很好地適應某些特定的圖像識別場景。一種較好的做法,是丟棄經典神經網絡最後的softmax層,改成直接輸出一根feature vector,去特徵庫裏面按照Metric Learning尋找最近鄰的類別作爲匹配項。
目前,Metric Learning已被廣泛運用於人臉識別的日常運用中。
[1] Wikipedia-距離函數
[2] DistLearnKit
[3] 基於深度學習的Person Re-ID(度量學習)
[4] 度量學習
[5] 度量學習(Distance Metric Learning)介紹