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

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

VoxCeleb教练 该存储库包含用于培训演讲者识别模型的框架，该文章在“捍卫说话者识别的度量学习”一文中进行了描述。 依存关系 pip install -r requirements.txt 资料准备 以下脚本可用于下载和准备VoxCeleb数据集以进行培训。 python ./dataprep.py --save_path data --download --user USERNAME --password PASSWORD python ./dataprep.py --save_path data --extract python ./dataprep.py --save_path data --convert 为了使用数据扩充，还运行： python ./dataprep.py --save_path data --augment 除Python依赖项外，必须在系统上安装wg

三重态SemiHardLoss PyTorch半硬。基于可在找到的tensorflow插件版本。无需使用此实现来创建暹罗体系结构，就像创建main_train_triplet.py cnn创建过程一样简单！ 对于具有N_CLASSES >> N_SAMPLES_PER_CLASS的分类问题，三元组损失是一个不错的选择。例如，人脸识别问题。 在分类层之前，我们需要切断具有三重态损失的CNN架构。另外，必须添加L2归一化层。 MNIST上的结果 我在MNIST数据集上测试了三重态损失。我们无法直接与TF插件进行比较，因为我没有进行实验，但是从性能的角度来看这可能很有趣。如果您想比较结果，这是训练日志。准确性无关紧要，因为我们不训练分类模型，所以准确性不应该存在。 阶段1 首先，我们训练最后一层和批次归一化层，使验证损失接近0.079。 阶段2 最后，解冻所有层，经过足够的训练和超参数调整

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

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

少量学习的原型网络 NIPS 2017论文》的代码。 如果您使用此代码，请引用我们的论文： @inproceedings{snell2017prototypical, title={Prototypical Networks for Few-shot Learning}, author={Snell, Jake and Swersky, Kevin and Zemel, Richard}, booktitle={Advances in Neural Information Processing Systems}, year={2017} } 训练原型网络 安装依赖 该代码

关于mnist的度量学习（ 和）和t_SNE的可视化 n_pair_loss n_pair_angular_loss 用法 从终端运行pip install -r requirements.txt python src/utils/mnist_to_img.py返回由标签分隔的mnist数据python src/n_pair_train.py将模型保存到src/checkpoints/checkpoint.pth.tar并记录logs/2019_00_CNN/* python src/t_SNE.py显示t_SNE