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。
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
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。
1,O2而3,12分别是P1,P2，那么DO(O1,O2)=5，DP(P1,P2)=9（直接做减法12-3），我现在要对我的数据找到两种新的度量方式（也就是两个metric function），让DO(O1,O2) 与DP(P1,P2)之间的差距小。比如把DP(P1,P2)从减法变成除法（12/3）.
O(O1,O2) 与DP(P1,P2)之间的差距也是一种距离啊，也可以想点办法啊，后来又想不过就是Dd[DO(O1,O2) ,DP(P1,P2)].这就是三个度量的学习，不知道作者有没有简化到两个度量学习，还是说把Dd固定了下来，然后根据这个度量方式，调整DoDp，那么，可不可以固定两个度量方式，只学习一个。这能映射到数学上的什么问题？有点意思。拭目以待。
还有三句abstract就完事了：
Dp可以被认为是local decision threshold， and guide original space decision making。
探究一下complementation of mutiple feature representations .也就是说，privilege 是一样的针对不同多种feature的表达，设计不同的metric。需要看论文具体。
最后再优化一下，可以同时给出metric并且给出metric的权重。需要看论文具体。
好了到这里你就可以决定这个对你有用没用，要不要继续看下去了。