• 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

這是一篇很與眾不同的論文，文章主要分析如何最低工作量的標註一個ReID資料集，目的是減少人工標註的費力投入。論文利用了一個很簡單的思路：如下圖所示，  表示第 

選取B個點或者直線數量，在構造三角形約束的時候有至少要有一個positive edge，至少要選擇2條邊，選那種使得至少有1個positive的概率最大的triangle。用到了兩個方法，一個是1/2 max-cut，之後的原理公式就沒有看懂了。

因此我沒有看懂。最終的結論是大概只需要標註8%~15%的資料，就可以得到整個資料集的標註結果。

文章中用到了max-cut演算法

max-cut演算法：將圖分成兩部分，使得劃分的邊數最多。或者說話分的邊上的權重最大。

二分圖：圖中的頂點分成兩個互不相交的點集，邊分別連線的是不同的資料集的點

Multiscale Representation for Partial Face Recognition Under Near Infrared Illumination
解決partial face中不同size的圖片大小的問題。計算量很大。一共有55個patches，就訓練了55個MDSCNN，計算量還可想而知。每一個patch都會計算一個權重，最後根據不同patches的不同權重來計算兩張image之間的dissimilarity

常用的分佈：0-1 分佈   2項分佈    泊松分佈   均勻分佈    高斯分佈    指數分佈

bagging與boosting區別：

整合學習的三個關鍵點：弱分類器的選擇、訓練分類器的資料集的選擇方式、分類器的組合方式

cnn網路的特徵平移不變性

看到這幅圖，是不是有什麼想法，卷積神經網路低層獲得是紋理  線條類的特徵。上層獲得的是比較抽象、語義資訊更豐富的特徵。如果將不同層的特徵抽取融合、part 與global loss結合，以及注意力模型當中是否可以加入global模型資訊來進行行人識別

疑惑點：到底multi-scale指的是什麼？STN網路學到的有意義的feature是什麼

網路有全連線層的要求輸入固定大小尺寸的圖片