1. Xiao Min那篇文章的思想:
假设有k类,其中的字典为:
其中,表示的第i类的训练集合,测试样本为,然后解决下面的l1最小化问题:
最小化这个式子得到最小化参数\hat{s}后,然后依次计算下面的残差:
然后输出测试样本所属标签:
.
2. 文章中在介绍自己的网络结构前,先用一个表给出所有字母符号代表的意义。多学学已出版文章中的绘图方式。
Wasserstein triplet loss,采用Wasserstein 距离来作为损失函数的,可以考虑下如何去设计一个针对偏振图像的loss function,以更适用于偏振图像的特点。另外再看一下Hausdoff 距离。还有拉普拉斯分布也看一下。
3. 《Jointly Learning Commonality and Specificity Dictionaries for Person Re-Identification》这篇文章感觉挺有用的。
4. 针对穆勒矩阵,目前有两种解决思路:
a. 一种是直接采用3D卷积网络;