当前位置：首页 > news >正文

Deep Metric Learning（深度度量学习）

news 2025/10/23 10:19:32

“Deep Metric Learning（深度度量学习）” 是深度学习中一个非常重要的分支，核心目标是——
让神经网络学习一个“度量空间”（embdeding），在这个空间里相似的样本更靠近，不相似的样本更远离。

在普通分类任务中，神经网络的输出是类别（例如 softmax 分类），
而在 深度度量学习（Deep Metric Learning, DML） 中，
网络学习的不是“类别标签”，而是一个 embedding 向量空间。

在这个空间中：

例如：

雷达信号A（同一辐射源） → 向量 [0.1, 0.3, 0.5] 雷达信号B（同一辐射源） → 向量 [0.12, 0.28, 0.52] 雷达信号C（不同辐射源） → 向量 [0.8, 0.6, 0.9]

那么 A、B 的欧氏距离小，C 离得远，这说明模型学到了“相似度语义”。

深度度量学习的关键是“构造训练样本间的关系约束”，
常见的几种损失函数如下：

损失函数	训练样本结构	作用
Contrastive Loss	成对样本 (pair: 正样本对/负样本对)	让相似样本距离近，不相似样本距离远
Triplet Loss	三元组 (anchor, positive, negative)	让 anchor 比 negative 更接近 positive
N-pair Loss / Multi-Similarity Loss	多样本扩展版本	提高训练稳定性与效率
Proxy-NCA / ArcFace / CosFace	类别中心代理	结合分类思路进行度量学习

深度度量学习 ≈ 学习“特征空间的几何结构”，
聚类 ≈ 在这个空间里“分组”。

二者常常结合使用：

用 DML 学习 embedding；
然后在 embedding 上做 K-Means / HDBSCAN / Spectral Clustering；
实现 无监督信号分选（如雷达去交织）。

在雷达信号分选中，可以：

深度度量学习（Deep Metric Learning, DML）+ 聚类方法 非常适合处理 未知型号的雷达信号。

不依赖特定型号标签
- 传统分类方法（softmax 分类）需要预先知道所有雷达型号，并且训练集里必须覆盖它们。
- DML 学习的是 相似度空间，即“同源脉冲靠近，不同源脉冲远离”，不需要知道型号具体名称。
支持新/未见雷达
- 未见型号的脉冲在 embedding 空间里会自然形成新的聚类。
- 聚类算法（如 HDBSCAN、KMeans）能自动识别新的雷达源。
泛化能力强
- 通过学习脉冲的几何、时序和统计特征，网络可以捕捉雷达信号的“固有模式”，而非依赖具体型号。
- 适合半监督或完全无监督的去交织任务。

特征编码
- 网络输入脉冲序列（TOA, PRI, DOA, PW 等），输出 embedding 向量。
度量学习训练
- 使用已知脉冲源训练 Triplet Loss / Contrastive Loss，让同源脉冲靠近。
- 网络学到 通用相似性度量，而不是依赖固定型号标签。
聚类识别未知雷达
- 将新数据映射到 embedding 空间。
- 聚类算法自动分组：即使是未知型号，也会被划入单独簇。
结果验证/后处理
- 可以对聚类结果做统计验证、置信度评估。
- 若后续得到新型号标签，可微调网络，无需完全重训。