ECCV 2016 person re-identification相關 第六篇
這篇文章也是human in the loop相關的
先放一張總圖：
主要意思就是說，先通過有標注的訓練數(shù)據(jù)去訓練similarity-dissimilarity model，然后用訓練得到的模型去測試，選出包含最多信息的pairs，提供給user，uers給反饋，再更新model
主要思想之一 Low-Rank Sparse Similarity-Dissimilarity Learning
傳統(tǒng)特征表達x可能會是高維的，并且包含不具有辨別力的成分。因此作者希望提出能夠?qū)W到一個低秩矩陣，能夠自己決定具有辨別力的維度。
為了達到上述的目的，作者提出:
- 學習一個相似度函數(shù)
其中K是rxd維的，r<<d
- 找到一個P矩陣，把高維向量投影到低維（使用歐式距離）
上述兩者結合，得到下面這個評分函數(shù)以及margin hinge loss：
這個loss的意思就是說，當p和g兩個人的評分很接近（長得很像）的時候，S值大于1，1-S小于0，把loss變成0，當兩個人的評分S很小，那么整個loss會很大，懲罰會很大。
那么上述的只是loss而已，一般machine learning的套路還要加上正則項，這里的正則項就是這個：
所以最后的loss function就是這樣的：
但是呢，上面這個式子雖然是凸的，但不平滑，為了解決這個問題，作者引入了ADMM方法，這塊內(nèi)容我就不是很懂了，后面有時間再看一下這篇注明的論文，了解一下ADMM。
ADMM paper
ADMM相關資料1
ADMM相關資料2
主要思想之二 Model Adaptation with Reduced Human Effort
構造完上述的loss func之后，就要讓模型自我學習了，這里作者沒有完全用traning data，而是和第一篇paper一樣加入了human-in-loop的思想，這里user參與分類的主要是這些與probe配對的gallery:These are persons for which the positive/negative association with the probe is very uncertain. Given a probe, such gallery persons form its probe relevant set
那么如何選取這些probe relevant set呢？作者采用了圖來表示probe set 和gallery set，并且采用主集合的方法來得到這樣一個劃分（probe relevant set）
h是劃分向量（維數(shù)和gallery的大小相同），它表達了the probability of participation of the corresponding person in the cluster，所謂的cluster，就是指probe relevant set
然后初始化V后，用下面的方法迭代更新，直到the objective function difference between two consecutive iterations is higher than a predefined threshold ε.
整個算法流程如下：
實驗結果
