最直接的，训练数据以“图片对”(image pair)为单位，标签是相似度，把这样的数据输入神经网络，最终网络模型能够回归出输入图片对的相似度；
于是第二个步骤来了，怎么样给训练数据打上相似度？手工标注。有没有更准确的、更快的呢？有，用深度学习模型来标注两张图像的相似度，怎么做的？看问题描述加上步骤1就行。流程递归，卡死了，无解。
既然步骤1里面“最直接的”不可以，那就间接来解决。转入步骤4
间接来说，我们既然不知道如何准确标注具体的、取值区间在0～1的连续的相似度，那么粗糙一些，标注离散的相似度：0表示不像，1表示很像。比如把英短猫和美短猫组成的图片对标注成1，英短猫和哈士奇组成的图片对标注成0，损失函数使用逻辑回归这种soft的概率回归形式，就可以了。只要图片对的标注足够充分，效果就会很好。前面有答主回答的Siamese Network就是这样的。这样子做，我们有了一个基于二分类的网络、输出相似度的模型。
但是问题又来了，如果构造一个充分的训练集，要给一千种、每种有好多张图片的数据两两之间标注0和1，这是一件很可怕的事情：如果你每种图有100张，总共有10万张图片，那么可以构成
这么多的图片对，显然这根本很难训练完成，更何况10万的数据集已经是一个很小的数据集了。
那么再间接一些，不用0和1表示像与不像了，用0, 1, 2, 3, 4...999，表示一千种不同的类，把只有两种分类的逻辑回归损失函数，换成有n种分类的softmax损失函数。这样子，理论上softmax给每个类一个“中心”，每个中心都是一个高维向量，每个类的中心都和其他的类中心尽量的“不像”，用数学来说就是余弦越小。然后呢，我们让同一类的图像，尽量往自己的中心上去靠，靠的越近、越紧，就越好。这样子，美短猫都紧密团结在美短猫的中心上去了，哈士奇都紧密团结再哈士奇的中心上去了。训练结束，“最美短猫”的美短猫离自己的中心靠的最近，“不那么美短猫”的美短猫距离美短猫中心靠的比较远，而哈士奇离美短猫中心靠的就很远很远了，离自己的中心比较近。这样的就比较好能解决我们的问题了。输入了图像，我们能得到图像的一个特征向量，输入另一个图像得到另一个特征向量，用余弦函数比比他们的距离，相似度就有了。前面有答主说的用imagenet上pretrain模型，使用两张图的最后隐层的向量输出，求余弦做相似度就是这个道理。
然后就得到了用深度学习判断两张图片相似度的方法。更高级的知识，请深入学习metric learning和深度学习结合的相关知识。
如果觉得《halcon 相似度_怎样用深度学习判断两张图片的相似度？》对你有帮助，请点赞、收藏，并留下你的观点哦！
