Advanced Metric Wave Radar，Jianqi Wu，2020.(392s) 先进米波雷达

An Overview of Distance Metric Learning (by Liu Yang)，特别经典的度量学习综述论文，英文文档。

派尔蒙 PyLMNN是用于在纯python中进行度量学习的算法的实现。 此实现紧密遵循在找到的Kilian Weinberger的原始MATLAB代码。 此版本解决了无限制的优化问题，并使用L-BFGS作为后端优化器找到了线性变换。 该软件包还可以使用出色的软件包通过贝叶斯优化找到LMNN的最佳超参数。 安装 该代码是在Ubuntu 16.04下的python 3.5中开发的，并且也在Ubuntu 18.04和python 3.6下进行了测试。 您可以使用以下命令克隆存储库： git clone https://github.com/johny-c/pylmnn.git 或通过pip安装它： pip3 install pylmnn 依存关系 numpy的> = 1.11.2 scipy> = 0.18.1 scikit_learn> = 0.18.1 可选依赖项 如果要使用超参

SimMetrics.Net SimMetrics是一个相似性度量库，例如，从编辑距离（Levenstein等）到其他度量（Chapman等）。 地位 AppVeyor Travis codecov.io coveralls.io NuGet 支持的框架是： .NET 2.0 .NET 3.5 .NET 4.0 .NET 4.5及更高版本 .NET Standard 1.0到.NETStandard 1.6（包括便携式，Windows Phone和uap） .NET标准2.0 基于以及原始项目中的所有87个单元测试。

Deep adversarial metric learning for cross-modal retrieval

无监督距离度量学习工具包：Matlab中无监督距离度量学习工具包

多维与度量数据结构基础 Foundations of Multidimensional and Metric Data Structures Series: The Morgan Kaufmann Series in Computer Graphics Hardcover: 1024 pages Publisher: Morgan Kaufmann; 1 edition (August 22, 2006) Language: English ISBN-10: 0123694469 ISBN-13: 978-0123694461

非度量空间库（NMSLIB） 重要笔记 NMSLIB是通用的，但速度很快，请参阅的结果。 我们最快的方法HNSW的独立实现。 所有文档（包括使用Python绑定和查询服务器，方法和空格的描述，构建库等）都可以上找到。 对于一般性问题，请使用：GitHub问题页面用于Bug和功能请求。 目标 非度量空间库（NMSLIB）是高效的跨平台相似性搜索库，也是评估相似性搜索方法的工具包。 核心库没有任何第三方依赖。 最近它已经越来越流行。 特别是，它已成为的一部分。 该项目的目标是创建一个有效且全面的工具包，用于在通用和非度量空间中进行搜索。 即使该库包含多种度量空间访问方法，我们的主要重点还是通用和近似搜索方法，尤其是非度量空间的方法。 NMSLIB可能是第一个在原则上支持非度量空间搜索的库。 NMSLIB是一个可扩展的库，这意味着可以添加新的搜索方法和距离函数。 NMSLIB可以直接在

图像融合的质量评价指标，每个文件都有详细说明，每个指标都有相应的论文出处。亲测，可以使用。

目前，机器学习中的K近邻(KNN)分类算法和支持向量机(SVM)算法被认为是处理文本分类的最好方法。但KNN分类算法有以下的缺陷： KNN是基于近邻度量的一种模式分类算法，它高度依赖于数据间的相似度度量，简单的欧式距离在实际应用时，由于不考虑不同维度之间对分类的影响以及输入数据数据维数高的问题，往往不能取得良好的分类效果。 KNN 分类算法虽然可以一定情况下克服数据偏斜带来的分类误差，但是这也是造成它对样本密度分布敏感的主要原因，当类间密度高度分布不均时，分类效果会有较大的影响。