TIP2018的
right @IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 27, NO. 2, FEBRUARY 2018
吸引我的是其中应用的metric learning。我一直以为，metric learning其实和传统的dense prediction以及各种CNN背后的东西是一致的。你现在有这些东西，比方说一堆图片，那么机器怎么看待它们之间的差异？一种度量方式就创建了一个非欧空间，在什么样的理想空间，能够让机器的识别率爆表。很有意思。不过现有的度量学习本质上来讲是给维度加权，能量集中以及去噪。没达到理想的程度。
我花在abstract上的时间越来越多了，因为我发现，论文读到一半，可以回头看看abstract，佐证一下自己的思路。还有预见性，总之，一个好论文的abstract是作者思路的结晶，值得多读几遍。
1 abstract
本论文研究的领域是人脸再识别 ，比方说苹果手机的解锁，就是再识别你的脸。你要是画个大浓妆，指不定还能不能解锁。画个角度，换个表情，都会影响你的解锁（再识别）。
characteristic
- logistic discriminant metric learning
- exploit both original and auxiliary data(privileged information)
- auxiliary information only avaliable in training(such as label in cnn)
目标：
学习到距离函数，例如输入两个feature告诉你多远。打个比方二维空间(0,0),(3,4)之间的度量函数就是二范数，于是结果就是5.
距离函数的学习：
利用privilege information建立locally adaptive decision rule
现在不妨设origin数据分布在某个距离度量空间，privilege在另一个距离度量空间，那你现在就有两个距离度量方式，因为你有两个空间。这也包括了origin以及privilege都用通一种度量方式，在同一个空间。
样本点 O1,O2是origin的数据，P1,P2是privilege的数据。
DO(O1,O2) 与DP(P1,P2)之间的差距小。
(0,0),(3,4)分别是 O1,O2而3,12分别是P1,P2，那么DO(O1,O2)=5，DP(P1,P2)=9（直接做减法12-3），我现在要对我的数据找到两种新的度量方式（也就是两个metric function），让DO(O1,O2) 与DP(P1,P2)之间的差距小。比如把DP(P1,P2)从减法变成除法（12/3）.
哈哈不过我突发奇想另外一个问题：你计算DO(O1,O2) 与DP(P1,P2)之间的差距也是一种距离啊，也可以想点办法啊，后来又想不过就是Dd[DO(O1,O2) ,DP(P1,P2)].这就是三个度量的学习，不知道作者有没有简化到两个度量学习，还是说把Dd固定了下来，然后根据这个度量方式，调整DoDp，那么，可不可以固定两个度量方式，只学习一个。这能映射到数学上的什么问题？有点意思。拭目以待。
还有三句abstract就完事了：
Dp可以被认为是local decision threshold， and guide original space decision making。
探究一下complementation of mutiple feature representations .也就是说，privilege 是一样的针对不同多种feature的表达，设计不同的metric。需要看论文具体。
最后再优化一下，可以同时给出metric并且给出metric的权重。需要看论文具体。
好了到这里你就可以决定这个对你有用没用，要不要继续看下去了。
Introduction
人脸再识别是这样的，你再来一个新的人，数据库里面没有的新人，照片一部分给gallery，一部分给probe，你也得认得出来。所以这是有新样本的。和我们一般意义上的dense prediction、classification是不一样的。
主要与其他论文的不同点：
- 用的是local threshold，也就是priviledge信息产生的数值。
- 可以对比多个角度的特征，也就是分角度，一个角度学习一种度量方法。角度可以理解为相机的视角，特征的获取方式（某cnn，某手工）
正文开始
数据集
这就是本论文的数据集，可以看出来角度多，模糊，全身光照变化，所以识别率达不到苹果手机的程度。
前置传统的metric learning
第一个创新点，也是最主要的
左边的公式是改进后的，右边的是传统的metric learning。半正定当然是因为距离不能是负的。假设你学过线性代数。
主要就是将阈值从一个固定的数值，转变成了随着privilege data以及P变化而变化的阈值。这就是将privilege信息在训练阶段融入origin data。权重不是未知数。看下面的英文。
作者用了很好理解的老师同学比喻来帮助读者理解他的概念。本质来讲origin是学生，要被privilege引导，学生要受老师的影响
下面第二个创新点，用多种特征组合表达一个样本。
具体怎嘛求解参数
实验
实验部分的privilege选择以及feature的选择
Origin 特征GOG
Privilege特征LOMO+FTCNN
所以实际上privilege信息在测试阶段也是可以的到的。所以用的不是很恰当。
参数讨论beta
Beta很有说服力做实验对比是否使用beta对结果造成的影响：提高对抗错误privileged信息的稳定性.
参数讨论lambda
大于0.1导致识别率大幅度下降
0.1导致回归快，但是陷入了局部最优
PCA降维
假如采用PCA处理origin data，反映了privilege信息对于不丰富origin的帮助那么问题来了，假设只把origin
与privilege傻瓜连接起来，用传统
Metric learning，结果如何。
可能作用仅仅是缩小test时间。
作者说feature维度大可以防止
过拟合
进一步来讲，人脸的标签是弱标签。因为有多少人就有多少类别。他存在的意义更多的在于区分相似度。所以与度量学习的概念契合度很高。
特征之间距离的分布
那么问题来了既然privilege信息能够很好的
进行区分了，何必折腾这么一大遭？？没明白
之前对于VIPeR的对比图没这么强烈啊？
