2018.09.06

Exploiting Transitivity for Learning Person Re-identification Models on a Budget，Sourya Roy, UC Riverside ; Sujoy Paul, UC Riverside; Neal Young, UC Riverside ; Amit Roy-Chowdhury, UC Riverside

摘要

这是一篇很与众不同的论文，文章主要分析如何最低工作量的标注一个ReID数据集，目的是减少人工标注的费力投入。论文利用了一个很简单的思路：如下图所示， $P_k^i$ 表示第 $k$ 个相机的第 $i$ 张行人图片。现在加入我们标注 $P_1^1-P_2^1$ 和 $P_1^1-P_3^2$ 都是正样本对，那么我们可以得到 $P_2^1-P_3^2$ 也是正样本对。同理如果我们经过标注得到 $P_1^1-P_3^1$ 是负样本对，那么我们可以推出 $P_2^1-P_3^1$ 也是负样本对。当然，我们依然不知道 $P_2^2-P_3^1$ 是什么关系。论文就在研究这个问题，文图论的相关理论推导，介绍了许多公式的约束，

选取B个点或者直线数量，在构造三角形约束的时候有至少要有一个positive edge，至少要选择2条边，选那种使得至少有1个positive的概率最大的triangle。用到了两个方法，一个是1/2 max-cut，之后的原理公式就没有看懂了。

因此我没有看懂。最终的结论是大概只需要标注8%~15%的数据，就可以得到整个数据集的标注结果。

文章中用到了max-cut算法

max-cut算法：将图分成两部分，使得划分的边数最多。或者说话分的边上的权重最大。

二分图：图中的顶点分成两个互不相交的点集，边分别连接的是不同的数据集的点

Multiscale Representation for Partial Face Recognition Under Near Infrared Illumination
解决partial face中不同size的图片大小的问题。计算量很大。一共有55个patches，就训练了55个MDSCNN，计算量还可想而知。每一个patch都会计算一个权重，最后根据不同patches的不同权重来计算两张image之间的dissimilarity

常用的分布：0-1 分布 2项分布泊松分布均匀分布高斯分布指数分布

bagging与boosting区别：

集成学习的三个关键点：弱分类器的选择、训练分类器的数据集的选择方式、分类器的组合方式

cnn网络的特征平移不变性

看到这幅图，是不是有什么想法，卷积神经网络低层获得是纹理线条类的特征。上层获得的是比较抽象、语义信息更丰富的特征。如果将不同层的特征抽取融合、part 与global loss结合，以及注意力模型当中是否可以加入global模型信息来进行行人识别

疑惑点：到底multi-scale指的是什么？STN网络学到的有意义的feature是什么

网络有全连接层的要求输入固定大小尺寸的图片

摘要

猜你喜欢