因為是免費仔，用團隊的話無法變成非公開的 連結請去[紀錄]拉到最下面點[利用openpose來擷取姿體動作藉以進行身份辨識]的連接

3/25 截稿，台中(一天來回)，審稿可能很不嚴謹 3/27 截稿，高雄，審稿可能很不嚴謹 4/6 截稿，澎湖，很好玩超好玩 應用的部分就可以少講一些細節(超多的tsne圖)，feature有沒有分開來其實沒有那麼重要，可能會比較著重acc的部分 分析的部分可以探討兩者的差異，CNN擷取的特徵，跟有目標性的使用disentangling有顯著的差異 文章會希望可以讓別人在看完文章之後，也可以做出差不多的效果 圖: 為什麼想畫，希望別人從中間學到甚麼 => 如果只就圖片的差異跟解釋，其實就可以寫出很多東西了 圖跟圖的比較也要寫清楚 這篇文章要說服別人的是什麼? 要給讀者看甚麼東西才能說服他人你的觀點(要去說服這是一個好的應用) disentangling可以講更細: discriminator是怎麼做的? label怎麼貼? encoder抓的是什麼之類的?

[TOC] 摘要 原本的摘要貼上來!! 前言 專題發想/動機 背景(參考的研究/參考的實驗)

我們的相關研究，3-2深層對抗網路、3-4特徵解離網路算文獻回顧，其他比較像背景知識 學長的論文第三章就是我們的系統與實驗設計 我們的四個實驗就是第四章的的實驗與分析 啊哈！ 我覺得可以加重在dot的篇幅 實驗三、實驗四問老師

1. 封面 都可可 2. 動機 一般生物的限制： 講個人臉辨識的問題，臉部辨識但是疫情戴口罩 (生物特徵的選取) 人類姿勢的習慣：每個人走路的習慣都不一樣(看背影) (姿勢的擷取關節點) OpenPose的普遍應用： 透過深度學習在影像當中擷取人的關節點，大多應用都是辨認動作，像是辨認瑜珈動作，沒有看到身分辨識的應用

[ ] 摘要重新寫 [ ] 寫實驗很棒 [ ] 加上速度之後變成(,100) [ ]

$$ \min_G\max_G $$ [x] 加入minimax公式(gan) [x] 特徵解離標題消失 [x] 討論是否需要更換學長論文貼過來的圖(我們沒有解碼的部分) [x] 學長的圖有說希望兩個類別的潛在向量越近越好，是否改成鑑別器 [x] dot [x] 分割資料C打錯字

[x] 1. 摘要 [x] 2. MAE都要大寫 [ ] 3. 透過MAE看到的事情要描述 [x] 4. MAE是接哪一張圖的也要寫清楚 [ ] 5. 要比較的時候再把兩個MAE的表格放在一起 [x] 6. 動作改成速度 [x] 7. MAE圖表說明清楚 [x] 8. 判別器要改成鑑別器 [x] 9. 要寫上MinMax(加入鑑別器的時候) [x] 10. 2-1/2-2的個別分析

[x] 3. 參考資料 [x] 4. 動機，從跟其他的辨識有什麼不同？像是跟人臉辨識相比，有什麼差異？為什麼要這麼做？ [x] 5. 從要應用在哪去往下探討到為何實驗設計會是這樣(我有想過，應用在家裡，當你踏入大門之後，自動開啟內門之類的，或者媽媽踏入廚房之前會辨識到媽媽往廚房走，預先開燈或把瓦斯開啟之類的東東)(大家都戴口罩的部分也可以考慮) [x] 6. 動機最後一段比較像結果的部份，可以拉到相關研究之後那一段寫 [x] 7. 各個實驗目的是否移到分割資料方法的前面 [x] 8. 不要寫去識別化，改成特徵解離 [ ] 9. disentangling的mnist沒有風格label [x] 10. 實驗一改成一之一(單獨身分)、一之二(單獨速度) [x] 11. 資料三七分 -> 訓練組態a或分割a 之類的東西 [x] 12. 一般化的層次再描述一下

實驗設計模型 model1: 目的: 分辨身分 架構: 上面是擷取身分特徵的encoder(運用cnn1d+Flatten)下面接一個classifier(幾層dense) 圖示: model2: 目的: 分辨動作 架構: 上面是擷取動作特徵的encoder(運用cnn1d+Flatten)下面接一個classifier(幾層dense)

[TOC] 進度表+討論內容 word版 內容包括 計畫題目 計畫成員 計畫摘要(簡單的動機和主要期望的目標) 計畫簡介(背景,目標,影響,類似研究的文獻蒐集)

[TOC] 前言 希望也是最後一版 計劃書 進度表+討論內容 word版 內容包括

[TOC] 3/8 用mnist跑RNN和LSTM如下圖 train data RNN LSTM 1000

disentangling的效用發現 關於data 定義將訓練資料和測試資料的關係分為兩種類型:包含.不包含，其詳細解釋如下 包含: 測試資料的速度涵蓋在訓練資料裡面(如training0124/testing3) 不包含: 測試資料的速度不涵蓋在訓練資料裡面(如training0123/testing4)

4/7 思考TimeDistributed的意義 用新的資料來測試LSTM 試試CNN(60)和Dense(16) 思考這樣(CNN、LSTM)到底算不算好的前處理 思考我們的code跟冠傑的code差在哪裡 冠: softmax + binary cross entropy