总体上看，这篇文章的主要贡献包含两块：
- 网络使用 AlexNet + 自编码器 进行预训练，该初始化方法的结果要优于 AlexNet+ImageNet的初始化，作者解释原因为： AlexNet + 自编码器 的方法让网络学到了 RGB-D 数据中更多的领域知识。
- 该框架提出了“ diversity preserving co-training" 方法（多样性保留协同训练）。区别于传统的co-training，该方法在给 unlabeled data 做标记的过程中，并非使用 catagory classifier(目标分类器),而是借助convex clustering(凸聚类)，使用 attribute classifier（属性分类器）进行标记。传统的协同训练方法容易导致有偏的标记，提出的新算法则避免了此问题。（简单理解为：新算法可以标记的更准确？）
下面介绍 diversity preserving co-training 算法思路：
首先利用Reconstrunction Netiwork进行网络权值初始化。然后按以下三步进行迭代训练
- Convex Clustering（目的是发现类内多样性）。凸聚类只在有标签数据上进行，并且分别在RGB模态和Depth模态都要进行凸聚类。目的是对有标签数据进行进一步的细分。例如，数据集中包含10个类别，分别代表杯子、椅子……电视。凸聚类根据这些类标签进行聚类，聚类的结果是每一个类形成一个类簇，例如有“杯子类簇”、“椅子类簇”，与普通聚类区别在于，“杯子类簇”下还有细分的子类簇（sub-cluster），子类簇形成的原因是，虽然都属于杯子类簇，但是不同的杯子形状颜色各不相同，例如有“高脚杯类簇”、“mug类簇”、“茶杯类簇”……这些子类簇的名字我们是不知道的，一般按照数字进行标定，如子类簇1，子类簇2……，这里称为“高脚杯类簇”等是为了便于说明该算法的思想。这里，paper中将每一个子类簇定义为一个attribute，至此，对于一个labeled sample（文中用“exemplar”术语来代替术语“sample”，我是这么理解的，不知道是否有错误？）而言，它同时拥有了两个标签,其中一个是catagory label（用来表示样本属于哪一类，如“杯子”类）,另一个是属性attribute label（用来表示样本的属性，如“高脚杯类簇”，其实就是一种更细的划分）。因为一个sample的data有两种模态，一种模态是RGB数据，一种模态是Depth数据，所以文中分别在RGB convnet和Depth covnet进行分类和聚类操作，聚类的结果，paper中给出如下形式化定义：
Z^RGB = {ZRGB_1,...ZRGB_C} -------------------（3）
Z^depth = {Z^depth ,...Z^depth_C}
- Multitask Learning 分别在两个模态各自进行多目标分类器的训练。训练样本此时都是来自labeled pool。
- Co-Training 利用步骤2训练好的训练器，进行协同训练。用训练好的attribute分类器从unlabeled pool挑选出高置信的样本（此时样本根据attribute分类器贴上相应的attribute labels），根据公式（3）的对应关系，将attribute标签映射回catagory labels。RGB-attribute分类器选出的新样本在下一轮训练中给Depth-catagory 分类器使用，相反亦然（这是Co-training的思想）。attribute labels在下次迭代要重新进行凸聚类，因为这个过程是比较耗时的，所以实验过程中只在前5次迭代时每次都会重新凸聚类，以后的迭代会采用第5次凸聚类的结果。
疑问：
- Section 3.2 提到， 重构网络包含 12 层全连接网络用于编码？图中只显示了4层。
- Convex Clustering 中提到beta控制sparseness，而引用的paper中说的是beta控制sharpness，不知道这两个词是否是一回事。
- Convex Clustering 中提到的一个术语 exemplar 是不是和 sample 表达的是一个东西？
- Co-Training 中困惑是paper中等式 score()=f(), f是softmax function，所以score()应该是一个向量，那么为什么向量score()可以和标量tao进行关系运算？
