学习视觉相似度对于各种视觉任务至关重要，如图像聚类、人脸检测或图像检索，从而为日常应用奠定基础，如智能手机上的图像集合的智能排列、浏览器中的网络规模的图像搜索或在线购物时推荐产品。今天，学习捕捉相似度的视觉表示的主要方法是深度度量学习，它专门针对从新颖的、看不见的类中检索对象和图像。此外，相似性学习与对比学习密切相关，对比学习是自监督学习的主导方法，分别是迁移学习。 在本教程中，我们将深入介绍深度度量学习(DML)的领先学习范式，以及如何实际评估其(超出分布)泛化的未来方向。具体来说，本教程将涵盖以下主题: (i) DML目标函数的概况，(ii)先进的和上下文相关的DML公式，(iii) DML中数据采样的重要性，(iv)公平和现实地评估DML方法的最佳实践，最后，(v)我们将DML与计算机视觉和模式识别的相关领域联系起来，如对比学习，少样本学习，迁移学习和人脸识别。

PyTorch度量学习文档请在此处查看文档Google Colab示例请参阅示例文档文件夹，以显示带有loggin的整个培训/测试工作流程。PyTorch Metric学习文档请在此处查看文档，其中Google Colab示例请参阅示例文件夹，以显示完整的培训/测试工作流程与日志记录和模型保存。 该库的优点易于使用在培训循环中只需两行代码即可向您的应用程序添加度量学习。 通过一个功能调用即可实现矿井对和三井架。 灵活性以其他图书馆的方式混合和匹配损失，矿工和培训师

实现了孪生神经网络（Siamese network），该网络常常用于检测输入进来的两张图片的相似性。该仓库所使用的主干特征提取网络（backbone）为VGG16。 scipy==1.4.1 numpy==1.18.4 matplotlib==3.2.1 opencv_python==4.2.0.34 tensorflow_gpu==2.2.0 tqdm==4.46.1 Pillow==8.2.0 h5py==2.10.0

Facenet：人脸识别模型在Pytorch当中的实现

matlab的egde源代码FastAP：深度度量学习排名 该存储库包含以下论文的实现： *，* 、、和（*均等贡献） IEEE计算机视觉与模式识别会议（CVPR），2019年 用法 Matlab ：请参阅matlab/README.md PyTorch ：请参阅pytorch/README.md 数据集 斯坦福在线产品可以下载 店内衣服检索可以下载 北大车辆识别码请向作者索取数据集 重现性 我们为论文中的结果提供训练有素的模型和实验记录。 这些模型用于获得表中的结果。 日志还包括参数设置，如果需要的话，可以使他们重新训练模型。 它还包括在某些时期的带有模型检查点的评估结果。 表1：斯坦福在线产品 FastAP，ResNet-18，M = 256，Dim = 512：[，] FastAP，ResNet-50，M = 96，Dim = 128：[，] FastAP，ResNet-50，M = 96，Dim = 512：[，] FastAP，ResNet-50，M = 256，Dim = 512：[，] 表2：店内衣服 FastAP，ResNet-18，M = 256，Dim = 512：

新闻 1月12日：v0.9.96大大提高了和的灵活性。 查看 12月10日：v0.9.95包括一个新的元组采矿器 。 查看 11月6日：v0.9.94中有一些小错误修复和改进。 文献资料 Google Colab示例 请参阅 以获取可以在Google Colab上下载或运行的笔记本的 。 PyTorch公制学习概述 该库包含9个模块，每个模块都可以在您现有的代码库中独立使用，或组合在一起以形成完整的培训/测试工作流程。 损失函数如何工作 在训练循环中使用损失和矿工 让我们初始化一个简单的 ： from pytorch_metric_learning import losses loss_func = losses . TripletMarginLoss () 要在训练循环中计算损失，请传递模型计算的嵌入以及相应的标签。 嵌入的大小应为（N，embedding_size），标签的大小应为（N），其中N为批处理大小。 # your training loop for i , ( data , labels ) in enumerate ( dataloader ): optimiz

几乎重复的视频检索深度度量学习 该存储库包含论文《 的Tensorflow实现。它提供了用于在深度复制视频检索（NDVR）问题上进行深度度量学习（DML）网络的训练和评估的代码。在训练过程中，DML网络将接收由三元组生成器生成的视频三胞胎。该网络是基于三重态损失函数进行训练的。下图显示了网络的体系结构。为了进行评估，计算了平均平均精度（ mAP ）和精密记忆率曲线（ PR曲线）。支持两个公开可用的数据集，即和 。 先决条件 Python Tensorflow 1.xx 入门 安装 克隆此仓库： git clone https://github.com/MKLab-ITI/ndvr-dml cd ndvr-dml 您可以通过以下方式安装所有依赖项： pip install -r requirements.txt 或者 conda install --file requirements.

聚类马氏距离代码MATLAB 从细胞计数数据学习单细胞距离 该存储库随附有，，，N. Boon，B。De Baets和W. Waegeman撰写的手稿“从细胞计数数据学习单细胞距离”。 它通过针对不同的细胞计数应用（合成微生物生态学和CyTOF）最大化Jeffrey散度（DMLMJ），探索了距离度量学习的功能。 抽象的： 用于自动识别细胞群的数据分析技术在细胞计数领域的兴趣日益浓厚。 这些技术通常依赖于距离度量来测量单个单元之间的相似性。 在这项研究中，我们探索使用距离度量学习来自动确定欧氏距离度量的广义形式，即所谓的马哈拉诺比斯距离度量。 在单细胞标签可用的情况下，可以使用这种方法。 我们以各种方式评估学习距离度量的潜力。 首先，我们表明可以通过实施适当的Mahalanobis距离度量来改进当前基于距离的方法。 然后，为了评估这种距离度量的鲁棒性，我们评估了Mahalanobis距离度量在样本之间的可传递性。 此外，我们表明，可以将学习的距离度量与无监督方法（例如聚类或降维）集成在一起。 特别地，示出了用于来自两个不同来源的细胞计数数据的方法，即应用于微生物细胞的流式细胞计数和用于人

深度元度量学习（DMML） 此存储库包含ICCV19论文的PyTorch代码：深度元度量学习，包括对Market-1501和DukeMTMC-reID数据集的人员重新识别实验。 要求 Python 3.6+ PyTorch 0.4 tensorboardX 1.6 要安装所有python软件包，请运行以下命令： pip install -r requirements.txt 数据集 正在下载 可以从下载Market-1501数据集。 可以从下载DukeMTMC-reID数据集。 准备 下载完上面的数据集后，将它们移动到项目根目录下的datasets/文件夹中，并将数据集文件夹分别重命名为“ market1501”和“ duke”。 即， datasets/文件夹应组织为： |-- market1501 |-- bounding_box_train |-- bo

PyTorch中的深度度量学习 Learn deep metric for image retrieval or other information retrieval. 我们的XBM被提名为2020年CVPR最佳论文。 知乎XBM上的一个博客 我写了一个知乎文章，通俗快速解读了XBM想法动机： 欢迎大家阅读指点！ 推荐最近发表的不是我写的DML优秀论文： 来自康奈尔科技大学和Facebook AI 摘要：过去四年来，深度度量学习论文一直宣称准确性方面取得了长足进步，通常比十年前方法的性能提高一倍还多。 在本文中，我们将仔细研究该领域，以了解是否确实如此。 我们在这些论文的实验设置中发现了缺陷，并提出了一种评估度量学习算法的新方法。 最后，我们提供的实验结果表明，随着时间的推移，这种改进最多只能算是微不足道了。 XBM：DML的新Sota方法，被CVPR-2020接受为口服，并被提名