The importance of metric learning for robotic vision: Open set recognition and active learning 解读

 [8] Meyer B J, Drummond T. The importance of metric learning for robotic vision: Open set recognition and active learning[C]//2019 International Conference on Robotics and Automation (ICRA). IEEE, 2019: 2924-2931.

提出了一种用于新奇事物检测和开放集识别的深度度量学习方法，表明它优于传统的CNN和专门建立的新奇事物检测器（相比前面的方法来说，应该是相当简单了）

• 在训练时,基于距离的交叉熵损失就是最小化样本距离自己所属类原型的距离与样本距离所有原型的距离的累积的比值，唯一的特殊就是在距离到概率的转化中使用了高斯核，每个类各一个。
• 在测试时，提出了三种设置阈值方法，分别为最近邻阈值Nearest neighbour distance、Maximum class density (density)最大类密度距离、香农熵距离Entropy，当样本的该值小于阈值时，分类为已知，否则为未知。三种阈值分别为