计算机视觉笔记七：Person Re-Identification With Metric Learning Using Privileged Information

TIP2018的

right @IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 27, NO. 2, FEBRUARY 2018

吸引我的是其中应用的metric learning。我一直以为，metric learning其实和传统的dense prediction以及各种CNN背后的东西是一致的。你现在有这些东西，比方说一堆图片，那么机器怎么看待它们之间的差异？一种度量方式就创建了一个非欧空间，在什么样的理想空间，能够让机器的识别率爆表。很有意思。不过现有的度量学习本质上来讲是给维度加权，能量集中以及去噪。没达到理想的程度。

我花在abstract上的时间越来越多了，因为我发现，论文读到一半，可以回头看看abstract，佐证一下自己的思路。还有预见性，总之，一个好论文的abstract是作者思路的结晶，值得多读几遍。

1 abstract

本论文研究的领域是人脸再识别 ，比方说苹果手机的解锁，就是再识别你的脸。你要是画个大浓妆，指不定还能不能解锁。画个角度，换个表情，都会影响你的解锁（再识别）。

characteristic

• logistic discriminant metric learning
• exploit both original and auxiliary data(privileged information)
• auxiliary information only avaliable in training(such as label in cnn)

目标：

学习到距离函数，例如输入两个feature告诉你多远。打个比方二维空间(0,0),(3,4)之间的度量函数就是二范数，于是结果就是5.

距离函数的学习：

利用privilege information建立locally adaptive decision rule

 现在不妨设origin数据分布在某个距离度量空间，privilege在另一个距离度量空间，那你现在就有两个距离度量方式，因为你有两个空间。这也包括了origin以及privilege都用通一种度量方式，在同一个空间。

样本点 O1,O2是origin的数据，P1,P2是privilege的数据。

DO(O1,O2) 与DP(P1,P2)之间的差距小。

(0,0),(3,4)分