يقدم هذا البحث إطارًا للتعلم العميق بالمعيار مع الوعي بالصعوبة (Hardness-Aware Deep Metric Learning - HDML). تعتمد معظم الطرق السابقة في التعلم العميق بالمعيار على استراتيجية التنقيب عن النماذج السلبية الصعبة لحل مشكلة نقص العينات المعلوماتية في التدريب. ومع ذلك، فإن هذه الاستراتيجية تستخدم فقط جزءًا من بيانات التدريب، مما قد لا يكون كافيًا لوصف الهندسة العالمية لم공간 المضمنات بشكل شامل. لحل هذه المشكلة، نقوم بإجراء التحويل الخطي على المضمنات لتكييف مستويات صعوبتها بشكل مرن وإنشاء عينات اصطناعية تحتفظ بالتصنيفات لإعادة استخدامها في التدريب، بحيث يمكن استغلال المعلومات الموجودة في جميع العينات بشكل كامل ويظل المعيار متحدى دائمًا بمستوى صعوبة مناسب. حققت طريقة البحث أداءً تنافسيًا للغاية على مجموعات البيانات الشائعة الاستخدام مثل CUB-200-2011 وCars196 وStanford Online Products.