记录《DEEP METRIC LEARNING USING TRIPLET NETWORK》阅读笔记
文章总体内容：
作者在前人提出的多个特征提取方法的基础上提出Triplet network模型，通过比较距离来学习有用的变量（深度学习中拟合出函数），在多个不同的数据集显示Triplet network比直接计算方法的Siamese network模型效果更好。
Triplet network基本原理：
在Siamese network中，会出现如下的问题，当使用随机对象的数据集时，一个对象可能被认为与另一个对象相似，但是当我们只想区分一组个体中的两个对象时，可能被认为与同样的另一个对象不相似。当选取特征时，并不能够足够判断两者之间的关系，在面对训练样本数量较少的简单分类问题，可能会产生误差。 因此，作者提出了Triplet network，利用三个样本组成一个训练组，从中获取拟合函数。
其基本结构如图1所示：
图1 Triplet network基本结构图
Triplet network由3个具有相同前馈网络（共享参数）组成。 接收到3个样本时，网络输出2个中间值表示与第三个变量之间的欧式距离。3个输入表示为x，x+和x-，并将网络的嵌入层表示表示为Net（x）。 简单来说，triplet是一个三元组，这个三元组是这样构成的：从训练数据集中随机选一个样本，该样本称为Anchor，然后再随机选取一个和Anchor 记为x)属于同一类的样本和不属于同一类的样本,这两个样本对应的称为Positive 记为x+)和Negative 记为x-)，由此构成一个（Anchor，Positive，Negative）三元组。他们之间的关系用欧氏距离表示，并通过训练参数使得x向x+靠近，远离x-，从而实现分类任务。
图2 triplet示意图（图片来自网络）
Triplet距离与目标函数：
距离采用的计算为欧氏距离，即L-2范式距离,如下所示：
比较器即是对上述该向量进行处理，训练的loss可规定如下，针对三元组中的每个元素（样本），训练一个参数共享的网络，得到三个元素的特征表达，
分别记为：
通过训练，让x+和x特征表达之间的距离尽可能小，而和x-和x的特征表达之间的距离尽可能大，并且要让x+和x之间的距离，和x-和x之间的距离之间有一个最小的间隔，在本文中使用的间隔为1。即：
其中：
通过d+和d-可以把初始变量归一化到（0，1）范围内。
论文创新点：
1. 由于Triplet network模型允许通过比较样本而不是直接数据标签进行学习，因此可以将其用作无监督学习模型。
2. 由于Triplet network模型采用三元组作为训练样本，在数据量较少的简单分类任务中表现要准确得多。在多个数据集上取得更优的分类结果。