我使用OpenFace计算在无约束条件下拍摄的图像中的面部表示（在128D中），这些图像显示照明，时间等方面的显着变化。
根据他们的网站和演示，具有适当阈值的标准欧几里德距离足以能够将这些表示用于＆＃34;相同 - 不相同＆＃34;方案。也就是说，给定具有表示v1和v2的两个面，如果eucDist（v1，v2）＆lt; 1，则可以确定它们是否属于同一个人。 S.
在实践中，结果并不差，但绝对不是完美的。我想在我的应用程序中做的是使用用户输入来改进预测。
理想情况下，我想执行以下程序：
假设我已经提取了N个面，每个我都有一个表示，它是R ^ 128中的向量。假设这些面属于n个个体（当n明显小于N时）。
我随机选择k个面（当k是一个小数字，比如说10个）并将它们显示给用户，要求她为属于同一个人的面部标记这些面孔。
我现在想要使用用户输入来＆＃34;调整＆＃34;欧几里德距离使其表现更好：在她标记为＆＃34;不相同的面部之间建立距离＆＃34;她标记为＆＃34;相同＆＃34;小。显然，我想以一种概括为N面的整个数据集的方式来做到这一点。
＆＃34;患者＃34;用户可以继续标记照片以改善效果。
我知道这涉及＆＃34;度量学习＆＃34;我读过马哈拉诺比斯距离之类的东西，但我不确定如何在这个＆＃34;在线＆＃34;场景。我想知道是否有人有任何这样的任务的经验，并可以提供一些亮点或给我任何指示。我应该提一下，我并不是真的在寻找＆＃34;重数学＆＃34 ;;理想情况下，我想知道是否存在可以根据用户输入提高性能的算法（最好是我可以使用的一些现有实现）。对于初学者，我会对任何改进感到满意，因此它不一定是最好的方法。
谢谢！