# 專題內容描述以及大概
## 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)
圖示:
* model2.5:
目前: model1+disentangling

* model3:
目的: 分辨動作及身分
架構: 上面是擷取動作和身分的encoder，下面分別接著兩個classifier(一個辨識身分一個動作)
圖示:
* model4: (冠傑寫的那個
目的: 分辨動作及身分，但簡化層數和參數數量
架構: 跟model3 87%像，就差在classifier只有一層，然後encoder沒有最下面那個分開的feature dense，classifier 是直接跟倒數第二層連接
圖示:

* model5:
目的: 分辨身分及動作(改良自model3)
架構: 最上面是擷取動作及身分的通用型encoder(即model3之encoder)，下面再分別接著兩個特別的encoder，一個是動作encoder一個為身分encoder，兩個encoder下各自在加classifier藉以分辨動作及身分
圖示:
* 
*
* model6:
目的: 分辨身分及動作(改良自model4)並加上disentangling藉以將去除掉不想要的特徵，進而改善分辨的效果並更具通用性
架構: 基本上承製model4，但多加兩個discriminator去除掉不想要的特徵(像是若想要分辨身分，則希望能夠去除掉動作特徵)
圖示:
## model1 和 model2
### 起初的想法(model1和model2)
如果以model2辨認動作為例，想說辨認動作應該不是一件難事，因為不同的動作理論上來說會差很多，也就是說動作特徵會特別明顯，明顯到就算是不同的人做也會很好辨認，所以我們認為應該不用特別去在意身分的特徵，因為那占比不重，不太會影響到結果
希望建立出來的模型能夠generalize，不只是單單辨認看過的資料

### 架構圖
#### model 1
#### model 2

### 實驗結果
#### model1實驗結果
資料三七分
只train四個動作，test第五個動作

#### model2實驗結果
只train三個人，test第四個人
結果圖
結果整理
與上述想法之差異問題
### 實驗結果之想法
從三七分資料的實驗結果辨認正確率來看，確實如同我們起初的想法，正確率非常的高，但是發現當我們把encoder出來的feature用tsne降維顯示出來，會發現其實並沒有達到我們理想的結果，因為其實在同一大團中，還是可以看出裡面有些分明，所以我們猜想，或許當我們換個資料，讓測試資料是訓練資料中沒有看過的，理論上結果應該要會不好，於是就設計了下個實驗，用直接拿掉某個人或某個動作當測試資料，剩下的那些當訓練資料，出來的結果如預期，並不是太好，於是我們打算在利用disentangling去除掉不想要的特徵，希望能夠使一塊一塊地現象消失，這樣或許才能使沒有看過的資料也能夠一般化

### 實驗結果之猜想
因為我們看model1,2化出來的tsne圖發現那個一塊一塊的問題，代表說，其實pure cnn是無法這麼有效的去除不想要的特徵，還有殘留另一種特徵，因此想說，那不如我們固定好encoder，再去練一個新的classifier用來分辨殘留的特徵，但是結果是train不起來，訓練了3000次，train Acc還停留在0.5,0.6徘徊，這說明，雖然有殘留但不足夠到能夠訓練起來，於是就想說，既然單純cnn無法消除不要的特徵，那就有兩種方法
1. 既然打不贏，那就加入
2. 就是要消除
### 改善問題之新的方法
#### 消除他
加上disentangling model1.5
加上disentangling model2.5
model1.5 & 2.5
### model1.5結果

| 用action label來區分顏色 | 用identity來區分顏色 |
| -------- | -------- |
|  |  |

#### 既然打不贏，那就加入
model 3~6
## model3 model4 (這個可能取一個就好，因為兩個本質上是一樣的)
### model3 結果
* 以encoder倒數第二層之dense 出來之 feature(混和動作及身分特徵)

| 以action label來分顏色 | 以identity來分顏色 |
| -------- | -------- |
| | |

* encoder 出來之feature

| action feature| identity feature|
| -------- | -------- |
| | |
### model4 結果

| action labels| identity labels|
| -------- | -------- |
| | |

### model3,4結果之結果
確實encoder抓到了既包含動作又包含身分的特徵，導致分成了20個一塊一塊的問題，而且更加明顯，一般化問題依舊沒有達成

### model3 4結果之猜想
因為encoder是共用的包含了兩種特徵，那想說再訓練個專屬化的encoder從共用特徵中再來抓取想要的特徵，所以設計了model5
## model5

### 實驗結果
#### model5之結果
* feature representer 出來之 feature(動作及身分特徵)

| 以action label來分顏色 | 以identity來分顏色 |
| -------- | -------- |

* encoder 出來之feature

| action encoder| identity encoder|
| -------- | -------- |
| | |

### model5結果之想法
跟model3比起來，確實比去掉了一部份的不想要的特徵，但是效果並沒有到預期的那樣融成一塊，如同model1,2那樣(三七分的情況)的結果
### model5結果之猜想
就想用跟model1.5,2.5一樣的disentangling網路來去除掉不想要的特徵
## model 6

#### model6之結果
37資料
* encoder 出來之feature

| action encoder| identity encoder|
| -------- | -------- |
| | |

#### model6結果之想法

#### model6結果之猜想