KISSME（keep it simple and straightforward metric）, 属于有监督的线性度量学习方法，本质上还是学习马氏距离中的矩阵M.

推导

        首先，认为对于样本对，它们之间的差异程度（dissimilar）可以通过似然比检验（likelihood ratio test）来观测，如下式所示：

        其中，H0假设该样本对为负样本对（不相似），H1假设该样本对为正样本对（相似）。值越大，H0假设越可能符合，样本差异程度大; 反之，越小，则样本更相似。为了使样本在特征空间中的实际位置不影响结果，我们用样本对的差分来代替，从而得到零均值的分布。公式重写如下：

        假设上式中概率密度分布函数为高斯分布（均值为0），则有：

        其中，为样本对标签，若样本对相似，则=1, 否则为0.  式中的协方差矩阵计算如下：

        这里原文中有一段话不太理解：The maximum likelihood estimate of the Gaussian is equivalent to minimizing the Mahalanobis distances from the mean in a least squares manner. This allows us to find respective relevant directions for the two independent sets.

         接下来，对上面高斯分布的似然比公式取对数，得到：

         去掉只提供偏置的常数项，化简得到：

        最终得到反映了对数似然比检验的属性的马氏距离（Mahalanobis distance）度量：

 

算法

       其中矩阵M的计算方法如下，首先，计算：

        接着我们需要强制为半正定矩阵（为了满足度量可逆的特性），具体做法则是进行特征值分解，将小于等于0的特征值强行设置为很小的正数，再重构矩阵，即为马氏距离度量中的矩阵M.

相关matlab代码可参考 https://github.com/NEU-Gou/kernel-metric-learning-reid 中的KISSME部分。

参考文献

[1] Hirzer M. Large scale metric learning from equivalence constraints[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2012:2288-2295.

[2] Xiong F, Gou M, Camps O, et al. Person Re-Identification Using Kernel-Based Metric Learning Methods[C]// European Conference on Computer Vision. Springer, Cham, 2014:1-16.