ECCV 2016 person re-identification相关 第六篇
这篇文章也是human in the loop相关的
先放一张总图：
主要意思就是说，先通过有标注的训练数据去训练similarity-dissimilarity model，然后用训练得到的模型去测试，选出包含最多信息的pairs，提供给user，uers给反馈，再更新model
主要思想之一 Low-Rank Sparse Similarity-Dissimilarity Learning
传统特征表达x可能会是高维的，并且包含不具有辨别力的成分。因此作者希望提出能够学到一个低秩矩阵，能够自己决定具有辨别力的维度。
为了达到上述的目的，作者提出:
- 学习一个相似度函数
其中K是rxd维的，r<<d
- 找到一个P矩阵，把高维向量投影到低维（使用欧式距离）
上述两者结合，得到下面这个评分函数以及margin hinge loss：
这个loss的意思就是说，当p和g两个人的评分很接近（长得很像）的时候，S值大于1，1-S小于0，把loss变成0，当两个人的评分S很小，那么整个loss会很大，惩罚会很大。
那么上述的只是loss而已，一般machine learning的套路还要加上正则项，这里的正则项就是这个：
所以最后的loss function就是这样的：
但是呢，上面这个式子虽然是凸的，但不平滑，为了解决这个问题，作者引入了ADMM方法，这块内容我就不是很懂了，后面有时间再看一下这篇注明的论文，了解一下ADMM。
ADMM paper
ADMM相关资料1
ADMM相关资料2
主要思想之二 Model Adaptation with Reduced Human Effort
构造完上述的loss func之后，就要让模型自我学习了，这里作者没有完全用traning data，而是和第一篇paper一样加入了human-in-loop的思想，这里user参与分类的主要是这些与probe配对的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
那么如何选取这些probe relevant set呢？作者采用了图来表示probe set 和gallery set，并且采用主集合的方法来得到这样一个划分（probe relevant set）
h是划分向量（维数和gallery的大小相同），它表达了the probability of participation of the corresponding person in the cluster，所谓的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.
整个算法流程如下：
实验结果
