會議記錄11/08

3. 參考資料

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？

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)

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

7. 各個實驗目的是否移到分割資料方法的前面

8. 不要寫去識別化，改成特徵解離

9. disentangling的mnist沒有風格label

10. 實驗一改成一之一(單獨身分)、一之二(單獨速度)

11. 資料三七分 -> 訓練組態a或分割a 之類的東西

12. 一般化的層次再描述一下

13. 以達到能夠一般化??? (實驗二的部分

巧. 圖片編號，在那個"跟model3比起來"的地方直接標清楚圖號會更棒棒的

15. 圖片可以直接標示哪個人或哪個速度

16. 1231231234567

巧. MAE數值的進步與退步盡量使用百分比來顯示

18. "此模型是基於model4…"那邊說加上特徵解離網路怪怪的，可以考慮改成"加上鑑別器"，去速度的訓練

巧. 鑑別器的模型圖顏色可以深一點

20. 因為我們也沒有discriminator，所以也不太像是GAN

21. model1結束後講解model1的結論，model2結束後講解model2的結論

22. 去速度類別化資料??? 老師有點點頭痛的感覺 XD

23. 機器學習主要是透過看過的資料來學習，所以最大需要突破的問題就在: 當遇到沒有看過的資料時的表現 => 可以寫在分割資料的前面(大概意思就是要描述為什麼資料要這樣分)

24. 不要寫假設，不需要小標題

25. 每個實驗的標題要重取

巧. 故事小達人

26. 去識別化網路那邊要改成特徵解離網路，並且裡面的訓練方向那裡要改像是方向一的風格特徵不能辨識身分還是什麼的那個要改到方向四，而方向四