聚類的定義
在上述的計算中，當p=1時，則是計算絕對值距離，通常叫做曼哈頓距離，當p=2時，表述的是歐式距離。
傑卡德相關係數主要用於描述集合之間的相似度，在目標檢測中，iou的計算就和此公式相類似
餘弦相似度
餘弦相似度通過夾角的餘弦來描述相似性
相對熵(K-L距離)
相對熵的相似度是不對稱的相似度，D(p||q)不一定等於D(q||p)。
聚類的基本思想
給定一個有N個物件的資料集，劃分聚類的技術將構造資料的K個劃分，每個劃分代表一個簇，K<=n。也就是說，聚類將資料劃分為k個簇，而且這k個劃分滿足下列條件：
每個簇至少包含一個物件，每一個物件屬於且僅屬於一個簇。
具體的步驟為，對於給定的k，演算法首先給出一個初始的劃分方法。以後通過反覆迭代的方法改變劃分，使得每一次改進之後的劃分方案都較前一次更好。
密度聚類
密度聚類方法的指導思想是，只要一個區域中的點的密度大於某個閾值，就把它加到與之相近的聚類中去。這類演算法能夠克服基於距離的演算法只能發現“類圓形”的聚類的缺點，可以發現任意形狀的聚類，且對噪聲資料不敏感。但計算密度單元的計算複雜度大，需要建立空間索引來降低計算量。
DBSCAN演算法
DBSCAN是一個比較有代表性的基於密度聚類的聚類演算法，它對簇的定義為密度相連的點的最大集合，能夠把具有足夠高密度的區域劃分為簇，並可在有噪聲的資料中發現任意形狀的聚類。
DBSCAN相關定義
物件的ε-鄰域：給定物件在半徑ε內的區域。
核心物件：對於給定的資料m，如果一個物件的ε-鄰域至少包含有m個物件，則成為該物件的核心物件。
直接密度可達：給定一個物件集合D，如果p是在q的ε-鄰域內，而q是一個核心物件，則物件p從物件q出發是直接密度可達的。
密度可達：如果存在一個物件鏈p1p2···pn，p1=q，pn=p，對pi屬於D，pi+1是從pi關於ε和m直接密度可達的，則物件p是從物件q關於ε和m密度可達的。
密度相連：如果物件集合D中存在一個物件o，使得物件p和q是從o關於ε和m密度可達的，那麼物件p和q是關於ε和m密度相連的。
簇：一個基於密度的簇是最大的密度相連物件的集合。
噪聲：不包含在任何簇中的物件稱為噪聲。
DBSCAN通過檢查資料集中的每個物件的ε-鄰域來尋找聚類，如果一個點p的ε-鄰域包含對於m個物件，則建立一個p作為核心物件的新簇。然後，DBSCAN反覆地尋找這些核心物件直接密度可達的物件，這個過程可能涉及密度可達簇的合併。當沒有新的點可以被新增到任何簇時，該過程結束。演算法的中ε和m是根據先驗知識來給出的。