对论文《Meta-Recognition: The Theory and Practiceof Recognition Score Analysis》的浅薄理解

        近期在看开集识别论文《Towards Open Set Deep Networks 》，对作者借鉴的Meta recognitioin思想不是很了解，便去看了一下原文章《Meta-Recognition: The Theory and Practiceof Recognition Score Analysis》。苦于网上没有相关资料，自己智能硬着头皮看，最后分享自己的一点浅薄的理解（因为自己了解的也不够深入，所以仅简单列了几点），有不对的地方还请指正，谢谢大家！

1、文章的目的

        文中交代的比较清楚，可以从整体流程图或文中交代的文字：“Can we recognize, in some automated fashion, if a recognition system result is a success or a failure? If so, can we quantify the probability of success or failure?” 中看出，翻译一下就是meta recognition的目的是自动化地判断recognition system的结果成功或失败的概率。也就是对recognition system（比如分类系统）的结果进一步判断，判断其结果是否成功或失败。

整体流程

 2、如何判断recognition system成功或失败的概率

        作者文中是对单个probe进行判别，但是对于单个probe来说，能够正确匹配（文中用的是match）该类别的score有限，而不与其匹配（non-match）的score却有很多。因此，作者的思路是对non-match的score的分布进行拟合，然后判断match的score是否符合该分布，如果符合拟合的分布，则说明recognition system得到的对该probe的score应该是non-match的，也就是recognition system得到的结果是失败的，反之则是成功的。注：（加黑的话是重点，不懂得请多读几遍或者留言讨论）

3、为什么要用极值分布？

        对于单个probe match的score而言，其通常位于分布的尾部，而尾部的分布通常不遵循正态分布或其他常见的分布，因此作者选用了极值分布来进行建模。对于极值分布的拟合而言，其步骤通常为：（1）选择一个连续性分布作为原始分布（如图2中的左上）；（2）将原始分布分为若干子区间，并选择每个子区间的最大值作为该子区间的极值；（3）这些若干子区间所有极值组成的分布即为极值分布。（过程如图2下方）

             作者在论文中提到“with enough samples and enough classes the sampling of the top-n scores always results in a EVT distribution and is Weibull if the data are bounded.” 。因此，作者索性直接选取non-match的top-n个score（去除了可能match的第一个值，即top-n是从第二个值算起的）来拟合极值分布。同时score是有界的，所以作者最终选用了Weibull分布作为极值分布，并用top-n个score对Weibull分布进行拟合。

以上均为个人见解，若有问题请留言，作者会及时处理，谢谢大家！