#2020年一周见闻# 02最近杂图：
图一：双机x102
图二：双机倒行n5 49556
图三：0k8391 列尾wx
图四五：梅钢
图六：林浦三线 348
图七-九 黄驴0530南京南至宝华通过金马路跨线桥，0630回南京站城际场，0710过白宫回南京所（结合实地观察和@Enoch-Xiang @小飞侠1234快乐 情报）。大量风景优美的南京南、仙宁线、城际线机位等待开发，特别是沧波门之紫金山宁芜平行一线真让人激动，（要是早点知道，可以拍黄驴和ND5并行）
图十-十五，林场小拍。

6分！国米尤文近10年来同期最低分差！

国米目前积71分，落后尤文6分，仍有赢得意甲冠军的希（huan）望（xiang）。数据显示，10年来，国米首次33轮过后，同尤文的分差是个位数。

————————————————————————
这条也不是什么太新的新闻，就是讨论下这个事儿，应该归功于萨里，还是归功于孔蒂呢[doge]

#国际米兰##意甲联赛#

#计算机视觉[超话]# #人工智能# #ECCV2020##人脸聚类##人脸识别#
Improving Face Recognition by Clustering Unlabeled Faces in the Wild
利用未标记人脸聚类提高人脸识别率

虽然深度人脸识别从大规模标注数据中受益匪浅，但目前的研究主要集中在利用非标注数据进一步提升性能，以降低人工标注的成本。此前的工作大多是在受控环境下进行的，其中标注数据集和未标注数据集通过构造没有重叠的身份。这在大规模的人脸识别中是不现实的，因为在人脸识别中，人们必须应对这种重叠，其频率随着数据量的增加而增加。忽略身份重叠会导致显著的标签噪声，因为来自同一身份的数据被分割成多个聚类。

为解决此问题，本文提出一种基于极值理论的新型身份分离方法。它是以分布外检测算法的形式来制定的，并大大降低了重叠-身份标签噪声带来的问题。将聚类分配视为伪标签，还必须克服聚类误差带来的标签噪声。提出一种余弦损耗的调制方法，调制权重对应聚类不确定性的估计。

在受控和真实环境下的大量实验表明，所提出方法有所改进，例如，在IJB-A验证上改进了11.6%。

作者 | Aruni RoyChowdhury, Xiang Yu, Kihyuk Sohn, Erik Learned-Miller, Manmohan Chandraker
单位 | 马萨诸塞大学；NEC Labs America；加利福尼亚大学圣迭戈分校
论文 | https://t.cn/A6ypHtYB