今週の進捗

• 先週の水曜日に日本に戻りました。
• 先週の木曜日、8月の融合科目（Space Engineering Seminar, Common 共通）に参加しました。
• 最近のタスクについて張先生とコミュニケーションをとる（ICISIP2019学会発表の準備）。
• ICISIP2019 Webサイトで表示Tentative Time Table とTentative Program，台湾の旅程の一般的な計画があります。

来週の予定

• 休暇が終わったら、できるだけ早くステータスを変更し、研究と研究に投資するために一生懸命働く必要があります。
• ICISIP2019学会発表のさらなる準備。

先週の進捗:休暇中

今週の予定:日本に帰る

休暇中~

• 台湾会議に関するフォームのきにゅうと提出.
• ICCV2019関連論文を見る.
• 研究のしんこくがない.

• 最近の作業を整理し、gitlabで管理する.
• 先週の木曜日に中国に戻り，来月には九工大に戻る．
• 帰国する前に、張先生とのさらなるコミュニケーションを、研究の進捗状況を調整しスケジュールする.
• 中国は最近毎日高温で、ほぼ毎日37度以上で、とても暑いです.

先週の進捗

• ICISIP2019学会発表用スライドとポスターの作成 。 … Continue Reading ››
  

先週の進捗

• ICISIP2019論文をLaTexで書き改める、中国語を編集するための使い方。
• ICISIP 2019論文の最終ドラフトが提出され、登録は7月12日までに完了しました。
• 病院に行き、別の壊れた歯を抜く、痛みはありませんが、それでも非常に緊張します。

今週の予定

• Person Re-IDの勉強 。　　　　　　　　　　　　　　　　　　　　　　
• Person Re-ID再現する。

先週の進捗

• LaTeX学習と理解，論文を書くのに使うのは本当に便利です。
• ISICIP 2019のレビューコメントによると、論文は改訂され、手数料登録します。
• 張先生との不規則な会話を通して、私は行われた研究の異なる理解があるでしょう，毎日少しずつ進歩し、一生懸命勉強します。

今週の予定

• Deep Learning深層学習の勉強。
• Person Re-ID再現する。
• ICISIP2019学会発表用スライドの作成、事前に準備しておく必要があります 。

先週の進捗

• 梅雨入り，毎日雨が降る、天気がじめじめする。
• 過去数日間で、身体的な不快のために、研究の進歩は影響を受けました。
• Person Re-ID最新の論文の広範な読書（CVPR2019）を続け，要約記録を作成する。
• 前の論文に基づいて、CVPR2019- Image-to-Image Translation関連論文の研究を続け、要約記録を作成する，例えば：EnlightenGAN:Deep Light Enhancement without Paired Supervision … Continue Reading ››
  

先週の進捗

• gitlabファイル管理は，習慣として使うべきです，本当に必要なのでとても便利です。
• Person Re-ID最新の論文の広範な読書（CVPR2019），要約記録を作成する，例えば：Dissecting Person Re-identification from the Viewpoint of Viewpoint-1
  总结：视觉因素变化，例如视角，姿态，光照和背景等变化，经常被认为是行人再识别领域的一个重要的挑战。尽管人们已经认识到了这些因素的重要及其影响性，但是对于究竟如何影响系统性能还缺少定性的研究。本文从一个全新的角度探索行人再识别任务，主要研究视觉因素变化如何影响行人再识别，通过利用合成数据对视觉因素量化来进行大量实验，最终经过分析和总结并得出一些有意思的结论。作者以将问题从what转换为how，让行人再识别的研究有更多的维度。本文主要有两个贡献点：
  （1）引入了一个大范围的合成数据引擎，PersonX，这个引擎由人工制作的3D行人模型组成，其最主要的显著特点是，它是可控的，也就是说，我们可以通过给视觉变量设置任意值来合成一个新的行人。
  （2）通过3D数据引擎，我们量化分析行人旋转角度对行人再识别正确性的影响。在这里，行人的旋转角度可以精确的从0°到360°，可以观察在训练，查询，和数据集中行人视觉分布对于新人再识别结果的影响。之后的实验可以帮助我们对行人再识别基本问题有一个更深入的了解。
• 2018年Reinforcement Learning10の重要論文（ソースコード付き）を学ぶ,要約記録を作成する, 例えば：与其他机器学习方法相比，比如监督式学习、迁移学习、甚至非监督式学习学习相比，深度强化学习方法极其需要大量数据，而且常常不稳定，从性能上来说可能不是最好的选择。 RL一直以来只成功地应用于那些可以根据需要生成大量模拟数据的领域，比如游戏和机器人。尽管 RL 在解决业务用例方面存在局限性，但一些 AI 专家认为，这种方法是实现人工或超人类人工通用智能(Artificial General Intelligence，AGI)的最可行策略。 DeepMind 的AlphaStar战胜了顶级的职业星际争霸玩家，这表明我们可能正处于将深层强化学习应用于实时需求、异常复杂和信息不完整的现实世界问题的前沿。
• Convolutional Neural Network，CNNの勉強https://blog.csdn.net/weixin_42451919/article/details/81381294

今週の予定

• 完全なモデルのコードを注意深く読んで（StarGAN）.
• gitlab研究管理のさらなる応用.
• Person Re-IDによる最新の論文の閲覧を続けます（CVPR-2019）、要約記録を作成します。