度量学习与聚类

　一个完整的视觉任务往往包括两个步骤，特征提取和度量学习。

　　　传统的方法特征是按照某种设计方法进行提取得到的，不需要学习参数就可以提取；

　　　深度网络提取特征，就是特征提取器，需要的参数可以根据我们的目标进行调整。

（１）特征提取

　　　有传统的特征提取设计方法，比如LBP,HOG等；

　　　利用深度网络提取特征？其中包含非常多的学习参数，包括各个层的权重参数。

　　　

　　　那么如何得到这些参数，就是设计一个目标函数，这个目标函数衡量得到的特征与想要达到效果的差距。我们最小化这个差距损失，就能得到相关的参数。

　　　那么如何进行比较？　这时候一种好的度量思想就显得非常关键了。

（２）度量学习，或者是相似性学习

　　　是希望学习一个距离度量，能够使得同类样本之间距离小，不同类样本之间距离大。这个过程就能够使得损失函数最小。

　　　上面的这个目标包括两个方面，一个是类内紧凑，类间分散。

　  a .传统的度量学习方法

　　　大多是基于不同的任务，比如行人再识别，分类，图像检索，人脸验证/识别，利用传统方法提取的特征，学习一个与任务相关的目标函数，目标函数是为了调整距离度量的参数。

　马氏距离：　D^2 &#