FastAP度量学习

这个存储库包含FastAP度量学习算法在CVPR 2019年会上的Matlab实现，适用于ResNet-18和ResNet-50模型。数据集包括斯坦福在线产品和店内衣服，以及北大车辆数据集。我们提供经过训练的模型和实验记录，以支持结果的复现。

利用 MATLAB 实施测量程序，通过调整权重的大小实现稳健估计。

学习数据间有效距离度量已在多个任务（如人脸验证、零镜头学习和图像检索）中显示出优异性能。我们专注于使用丰富关系挖掘的框架，即深度非对称度量学习（DAMLRRM），以在数据子集中发现重要信息。与传统硬数据挖掘不同，DAMLRRM结合两个结构不同且长度不等的数据流，通过最小生成树连接相关区域，有效提升泛化能力。在CUB-200-2011、Cars196和Stanford Online Products三个数据集上的实验显示，DAMLRRM显著改善了现有深度度量学习方法的性能。

这篇论文介绍了一种新的深度度量学习方法，称为排行榜损失，改进在SOP数据集上的算法收敛性。作者团队从技术角度出发，探索了如何通过排行榜损失来提升深度度量学习的性能。他们计划将其工作扩展到TPAMI提交，并期待未来的更新。如有学术使用意向，请通过电子邮件联系获取最新代码。引用：InProceedings{Wang_2019_CVPR, author = {Wang, Xinshao and Hua, Yang and Kodirov, Elyor and Hu, Guosheng and Garnier, Romain and Robertson, Neil M.}, title = {Ranked List Loss for Deep Metric Learning}, booktitle = {The IEEE Conference on Computer Vision an

通过连续数据挖掘，形成规则度量值序列。通过参数估计，获取度量值特征参数，用于评估规则兴趣度，把握规则演化规律。提出了针对小样本的度量值扩散估计方法，并讨论了不同趋势下的序列参数计算。实验结果表明，该方法准确简便，抗干扰性强。

该工具可生成复杂度度量。

SAM相似度方法是一种主要用于计算光谱相似度的方法，尤其常应用于分析拉曼光谱。在众多文献中，SAM（Spectral Angle Mapper）被视为一种高效的度量工具，能够基于光谱向量之间的夹角来评估不同光谱的相似度。此方法尤其适用于多维光谱数据的分析和处理，在拉曼光谱数据比对方面表现出色。

在AAAI 2019口头表达中，我们展示了使用matlab接口matcaffe实现的深度度量学习技术。该技术通过在线软挖掘和课堂感知注意力进行，提高学习效果和模型精度。我们的研究正在法律审查中，如果您发现我们的代码和论文对您的研究或工作有帮助，请引用我们的论文。谢谢！

决策树的构建过程中，属性选择至关重要。信息增益和Gini系数是两种常用的属性选择指标。信息增益，作为决策树常用的分支准则，通过计算属性划分前后信息熵的变化，选择信息增益最大的属性进行节点划分。Gini系数则用于度量数据集的纯度，其值越小，数据集纯度越高。

本研究基于Jaccard相似度度量，提出一种考虑权重的实体识别方法，并应用于社会网络分析。该方法通过计算实体属性权重，提高实体识别精度。