【2017_ICCV】Deep Metric Learning with Angular Loss

1. 提出了Angular Loss，考虑角度关系作为相似性度量。之前的度量方法主要考虑优化相似性（ContrastIve）或者相对相似性（Triplet Loss），文中方法限制negative point of the triplet triangles之间的角度。
2. 优点：引入尺度不变，提高了目标对于特征差异的鲁棒性；增加了三阶几何限制，捕获了triplet triangles的附加局部结构；收敛更好。
3. 之前的方法主要用距离进行相似性度量，距离度量在尺度变化时比较敏感。Triplet的margin选择对于不同的intra-class显然不合适，Angular Loss自带旋转不变和尺度不变。
   
   Triplet Loss最小化hinge function，在运算前需要将x单位化。