一、回顾之前看多的一篇论文
《Deep Ranking for Re-identification via Joint Representation Learning》
二、看了一篇新的论文
《Person Re-Identification by Saliency Learning》
（1）adjacency constrained patch matching:to bulid dense correspondence between image pairs
to handle misalignment
（2）两种可供选择的方法：K-NN、One-class SVM
to estimate a saliency score for each image patch
（3）visual similarity --> patch matching --> saliency matching
（4）each patch repreented by a discriminative vector: color histogram + SIFT features
SIFT features: extracted in three color channels
创新点：
novel perspective for person re-identification
based on learning person saliency and matching saliency distribution
三、K-NN、One-class SVM
1、KNN
是通过测量不同特征值之间的距离进行分类。
思路：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
K通常是不大于20的整数。
KNN算法中，所选择的邻居都是已经正确分类的对象。
该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
2、One-class SVM
OneClassSVM两个功能：异常值检测、解决极度不平衡数据
是指training data只有一类positive或negative的data，而没有另外的一类。
此时需要学习的实际是training data的boundary。而这时不可以用maximum margin，因为没有两类的data
四、saliency detection
1、视觉显著性检测(Visual saliency detection)：指通过智能算法模拟人的视觉特点，提取图像中的显著区域(即人类感兴趣的区域)。
2、视觉注意机制(Visual Attention Mechanism，VA)：即面对一个场景时，人类自动地对感兴趣区域进行处理而选择性地忽略不感兴趣区域，这些人们感兴趣区域被称之为显著性区域。
五、跑代码
跑通了上周没跑出来的代码
但是验证的时候效果不太好，可能是batchsize设置太小，，，
然后测试时候没出来人家的结果。