3D文章修改总结

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；