一、回顧之前看多的兩篇**
1.《a discriminatively learned cnn embedding for person re-identification》
1）motivation
現在主流的兩種re-id卷積網路: verification model、 identification model
verification model的缺點：只利用了弱re-id標籤，沒有考慮影象對以及其他影象之間的關係
identification model的缺點：訓練目標與最後的測試目標不符合，沒有考慮影象對之間的相似度度量
2）contribution
提出了siamese network結合了identification loss與verification loss
這種網路可以同時學習到discriminative embedding與similarity measurement
在大型資料集上與得到了與sota相當的準確率
2.《person re-identification with metric learning using privileged information》
1）現有方法的侷限
比較 具有全域性閾值的 一對相似/不相似例項 之間的距離
這種基於全域性閾值的兩兩約束在處理 複雜的類間和類內變數的實際任務時 可能會出現學習效能不佳的問題。
減輕這種限制的乙個解決方案：設計區域性自適應決策規則
2）本文提出的方法：logistic discriminant metric learning
ldml+ 、mvldml(multi-view)
通過利用輔助資訊構造區域性自適應決策函式來學習psd度量，該決策函式具有更強的魯棒性和更好的效能
每個訓練例項都以兩種特徵形式表示: 來自原始空間 + 來自特權空間
在訓練過程中，特權空間中的距離作為乙個區域性決策閾值，引導原空間的度量學習
有效的迭代優化演算法來同時優化度量和度量的權重
privileged information
只在訓練期間使用
通常描述訓練例項的一些重要屬性，如：屬性、標記、文字描述或其他高階知識等
1．ldml+（single-view）
只考慮乙個原始特徵
共同學習兩個距離度量：原始特徵空間的m、特權空間的p
通過psd約束，最小化經驗損失來懲罰原空間距離和特權空間距離的差值
在訓練過程中設計區域性自適應決策規則
全域性閾值被特權空間中的平方距離所取代
2．mvldml+(multi-view)
在同一特權知識的指導下，從不同的原始特徵空間中同時學習多個m
學習多個度量：原始空間的多個m、特權空間的乙個p
mvldml+可以通過利用更多的視覺特性來獲得更好的效能
3.採用交替優化策略來解決eq.(10)中的最小化問題
即：交替更新mm(m = 1，···，m)， p, a來優化目標
二、看了一篇新的**
《learning view-specific deep networks for person re-identification》
1.傳統新人重識別的不足
1）當不相交的角度之間出現外觀上的顯著變化，角度通用特性不適用於解決re-id的問題
2）對所有角度使用共享模型會忽略不同角度之間的差異
2.本**提出的新人重識別框架
1）不同於傳統的深度模型，因為它學習不同的深度網路以適應不同的角度
2）將cv-ec整合到框架中，，以對齊不同角度的深層特徵
3）引入cv-cl來縮小不同角度之間的特徵差異
4）使用cv-ec和cv-cl迭代更新view-specific network的引數
5）最後，**將cv-ec和cv-cl擴充套件到多角度版本
3.總結
本文提出了一種邏輯判別度量學習方法。它利用特權資訊構建乙個區域性自適應決策規則，可以很好地處理複雜的類間和類內變數。並將該方法擴充套件到多檢視設定，有效地探索了多種不同視覺表示的互補。此外，還引入了一種有效的迭代優化策略來求解該方法。對多重挑戰性資料進行了廣泛的實驗評估和分析。
創新點：
1)新的框架: (icv-eccl)
iterative cross-view euclidean constraint and center loss
2)第一次，通過使用深度網路來提取特定角度的特徵
三、lupi paradigm
vapnik等人首次以支援向量機+的形式引入支援向量機的一種新的學習正規化。
使用額外的(特權)資訊作為**鬆弛變數的**。相當於學習乙個預言，它告訴我們哪個樣本容易**，哪個樣本很難**。
該正規化用於雜湊、動作和事件識別、資訊瓶頸學習、學習排序、影象分類、目標定位、主動學習等。
第九周學習筆記
主要內容 1.文章解決了什麼問題？svm訓練演算法在大規模問題上收斂很慢，且十分複雜 難以實現，運算過程中需要維持乙個n 2n 2 n2個元素的矩陣，當年 1998 問題規模超過4000個樣本時，就超過了當時的記憶體大小 128mb 曾經的訓練演算法之一的chunking使得演算法從維持n 2n 2...
第九周學習總結
output 輸出 顯示關閉時才能確保資料儲存正常。上週部落格互評情況 書本上出現較少的例子一定要關注，比如這次引用字元變數使用equals而不是 來判斷是否一致。行數 新增 累積 部落格量 新增 累積 學習時間 新增 累積 重要成長 目標5000行 400小時 第一周150 150 1 14 4 ...
第九周學習進度
第九周學習進度如下 花時間 包括上課 4h上課 18程式設計 4h查資料 26h 量 行 326行 部落格量 篇 3了解到知識 1.自己定義自己需要的全域性變數，用來儲存自己需要的東西。2.團隊開發過程中，大家挨一起研究，學會了下拉列表的使用。class spinnerxmlselectedlist...