1. 背景
1.1 分类问题
场景：identification & verification
- 识别：已知类别个数，判断输入样本所属类。Classifier- or Matching-based
- 验证：给定一个类，判断当前的输入样本是否是同一类。Matching
高维特征向量的距离度量
Classifier：特征向量到类标的映射
Matching：特征向量1-2,距离的映射
类别个数、样本个数、类别个数是否是不断增长的
- 训练样本的多少
- 类别的多少
第一类，分类数量较少，每一类的数据量较多，比如ImageNet、VOC等。这种分类问题可以使用神经网络或者SVM解决，只要事先知道了所有的类。
第二类，分类数量较多（或者说无法确认具体数量），每一类的数据量较少，比如人脸识别、人脸验证任务。
来源：//www.greatytc.com/p/24c753ba5d82
1.2 相对
- 降低task难度
给定两个样本，判断是否相同，或者相互差别多少，这比给定一个样本，直接判断其属性更为简单。后者需要学习高层知识，前者往往只需要学习底层特征和距离度量。
1.3 向量距离
- 欧氏距离
- 曼哈顿距离
- 切比雪夫距离
- 闵可夫斯基距离
- 标准化欧氏距离
- 马氏距离
- 夹角余弦 （仅仅考虑向量夹角，不考虑向量大小）
- 汉明距离
- 杰卡德距离 & 杰卡德相似系数
- 相关系数 & 相关距离
- 信息熵，交叉熵
loss的选择，即采用何种距离来度量loss（output vs target）。可以看做结构超参，人工根据task和数据本身的特点进行选择，当前的学习架构还不能自动学习使用哪种loss最优。
References
https://blog.csdn.net/weixin_40639095/article/details/97264166
https://blog.csdn.net/qq_26091271/article/details/52528625
https://blog.csdn.net/weixin_41526905/article/details/80341746
https://blog.csdn.net/ctwy291314/article/details/83543869
https://zhuanlan.zhihu.com/p/31921944
Re-ID
问题：
- 生成特征向量时，dropout的同步
2. Siamese Network
二分类：
- 两篇文章、问题是否相同；
- 目标跟踪，目标区域与搜索区域的相似度；
- biometrics verification / matching 人脸、指纹、掌纹、手写字体 etc。
//www.greatytc.com/p/24c753ba5d82
https://zhuanlan.zhihu.com/p/35040994
Related work：
- Signature Verification using a "Siamese" Time Delay Neural Network. [pdf]
- Rectified Linear Units Improve Restricted Boltzmann Machines, ICML 2010 [pdf]
- Fully-Convolutional Siamese Networks for Object Tracking, ECCV 2016 Workshops [pdf]
contrastive loss
使用场景
- siamese network：两个待比较样本为同一类型
- pseudo-siamese network：两个待比较样本类型不同
孪生神经网络和伪孪生神经网络分别适用于什么场景呢？
先上结论：孪生神经网络用于处理两个输入"比较类似"的情况。伪孪生神经网络适用于处理两个输入"有一定差别"的情况。比如，我们要计算两个句子或者词汇的语义相似度，使用siamese network比较适合；如果验证标题与正文的描述是否一致（标题和正文长度差别很大），或者文字是否描述了一幅图片（一个是图片，一个是文字），就应该使用pseudo-siamese network。也就是说，要根据具体的应用，判断应该使用哪一种结构，哪一种Loss
来源：https://zhuanlan.zhihu.com/p/35040994
实际使用
- 样本特点分析
- 如何选择超参数
- 训练稳不稳定
