本周国庆啊、玩去了。。。
主要看了论文《Person Re-identification with Metric Learning using Privileged Information》
论文用到了Metric Learning，去网上学习了一下
很多算法依赖于在输入空间给定的好的度量，例如K-means、K邻近方法、SVM等算法需要给定好的度量来反映数据之间存在的一些重要关系。
获取图像之间的相似度，我们需要构建一个距离函数去强化合适的特征。识别姿势，我们需要构建一个捕获姿势相似度的距离函数。为了处理各种各样的特征相似度，我们可以在特定的任务通过选择合适的特征并手动构建距离函数。这种方法需要很大的人工投入，也可能对数据的改变非常不鲁棒。
度量学习是一种理想的替代，可以根据不同的任务来自主学习出针对某个特定任务的度量距离函数。
度量学习
-
线性度量学习（马氏度量学习）
监督的学习算法
监督的全局度量学习：该类型的算法充分利用数据的标签信息。
监督的局部度量学习：该类型的算法同时考虑数据的标签信息和数据点的几何关系
非监督的学习算法
非监督的线性降维算法
主成分分析(Pricipal Components Analysis, PCA)
多维尺度变换(Multi-dimensional Scaling, MDS)
非负矩阵分解(Non-negative Matrix Factorization,NMF)
独立成分分析(Independent components analysis, ICA)
邻域保持嵌入(Neighborhood Preserving Embedding,NPE)
局部保留投影(Locality Preserving Projections. LPP) -
非线性度量学习
论文
增加了priviledged信息，只在训练的时候使用
多视角，提供一样本多特征模型
优化方法：梯度下降
实验：Origin 特征GOG、Privilege特征LOMO+FTCNN
为了便于管理多版本的python环境，安装Anaconda
写了两篇相关的技术博客。
学习了一些汇编语言的内容。