这篇论文很快也就要看完了，明天需要把之前的知识点再过一遍，尽量把这篇论文的构架弄清楚，以及其蕴含的相关原理也弄明白，任重而道远。
今日更博：剩余所有部分
今天的内容不多，因为大多数前面已经涉及过了，避免一下博客高的重复率伐。
下周就要开工英文版的了，周末好好准备一下吧....
(1)图像增广及解决图像域偏差：即我们DAY1中GAN的作用，扩充数据集、减少图片间的差距。再现在我们可以把这个差距看成是让生成图片与判断图片的欧氏距离的大小。而预测图片的偏差我们也可以选用contrastive loss，更精确的就是Triplet以及更进一步的四元组损失。其实对于两者偏差的方法，我们在这几天的学习中都可以发现如果是二元组，那么选用loss函数及其扩展可以解决（当然我还是cross_entropy的忠实爱好者，因为其他的loss function我没训练过，逃）；对于三元组损失，也就是找到一个正样本和一个负样本，使generative贴近正样本，增大（推开）与负样本的距离，这个是一种聚类的方式。对于四元组损失，则是采用了两个负样本和一个正样本，目的是为了避免因为负样本推开了与generative的距离，却反而影响了正样本与generative的距离关系，可以注意到在四元组损失中的弱推动作用里，是两个负样本的距离，这样也就避免了影响图片的特征。在这里我们用的是generative作为示例，但在使用contrastive loss中input任何类型的image都是没有问题的。
(2)重排序：重排序是指编译器和处理器为了优化程序性能而对指令序列进行重新排序的一种手段。而指令序列是指多条(或巨多)指令的机器码以字节为基本单位顺序拼接形成的线性的队列。那么机器码又是什么呢？机器指令码是用于指挥计算机应做的操作和操作数地址的一组二进制数，简易理解就是代码的意思啦。
(3)HR LR :
从左到右依次是真值 HR 图像、相应的 LR 图像和一个训练用来最小化 MSE （均方误差函数）（即对所有像素进行预测值与真实值的差的平方的求和后除以对应的像素数量和的函数）损失的模型的预测。
(4)稀疏表达系数：这里涉及到稀疏表示的数学概念和数学公式的理解，不太能直接的理解，但这个博主讲的超级详细，使这个概念变得比较清晰易懂。
链接如下：https://blog.csdn.net/Forever_pupils/article/details/88572281
(5)一个想法：在黑暗条件下利用红外相机获取轮廓，可以利用仿射变换来判别行人吗？这个方法是否可行取决于人的形态是否是不一样的，而衣服的遮挡也会造成一定的影响（这个好解决，利用温度差异也可提取到人体的红外图），同时，人的不同时间的形态变换（健身、瘦身）也会造成形态的改变。emmm，我敲着敲着，否认了自己的想法了....这个当我瞎谈了一下伐