本研究提出了一种名为GRAML的方法，将目标识别视为深度度量学习任务，从而解决了手动模型构建的问题。GRAML能够在仅有一个示例的情况下，快速且准确地识别新目标，展现出比现有技术更高的速度和灵活性。

本文介绍了一种新颖的无监督骨架动作识别系统，基于编码器-解码器递归神经网络，能够在无标签和无深度输入的情况下进行动作识别。研究探讨了自监督学习在骨骼动作识别中的应用，提出了多任务学习方法和SESAR方法，结合无监督与少量监督学习，提升了识别性能。此外，介绍了基于深度度量学习的单次动作识别方法和联邦学习模式，强调隐私保护与性能提升。

本文提出了一种基于余弦相似度的深度度量学习方法，结合新型损失函数和高效算法，提升了分类和检索性能。研究分析了样本分类和数据二值化的影响，并提出了硬度感知框架和新的线性损失函数，优化了深度度量学习的效率和准确性。实验结果表明，该方法在多个标准数据集上表现优异。

本文介绍了多种面部识别方法，如A-Softmax损失函数、ArcFace和SphereNet，旨在提高识别准确率并减少噪声影响。这些方法在多个数据集上表现优异，推动了深度度量学习的发展。

深度度学习优化神经网络目标函数，增强特征表示。交叉熵损失函数对不同类别数据不够充分。深度度量学习通过映射数据样本到嵌入空间，度量相似性。采样策略和损失函数帮助优化区分性嵌入空间。讨论最新进展和方法。

基于深度度量学习和量子计算的研究，提出了一种新的量子极化度量学习方法（QPMeL）。该方法通过经典模型学习极坐标形式的量子比特参数，并结合浅层的参数化量子电路和可训练的量子门层进行训练，以实现更好的多类别分离效果。与现有方法和经典网络相比，QPMeL方法表现更好，为未来研究提供了有前景的方向。

该文介绍了ProcSim框架，通过建立类别本体和创建语义一致的标签错误，训练鲁棒的深度度量学习模型。实验结果表明，该方法在深度度量学习基准数据集上取得了最先进的性能。

本研究提出了一种基于深度度量学习的模型，使用电生理信号等非侵入性方法评估心脏压力。该模型在有限标签数据情况下表现良好，并在患者亚组之间具有高度性能表现。心脏衰竭是一种严重疾病，影响数百万人的生活质量和死亡率。