DRL rebt

实验部分

R1

1. Table1 : total rank (解释50%就是sota)  / baseline / other candidate selection approaches(注明，但是他是不是想说有一些可以用unknown r% 的方法我们没有比较) 

2. FRRN ablation study

3. Table3 (transfer learning): from scratch and fine-tuning from ImageNet

4. Figure4: from scratch and fine-tuning from ImageNet / other ssl in Table 3

5. Table4: baseline

Richard Zhang （软软认领）

1. Table3: 需要variance （做很多次实验求均值和方差）

R3

1. Figure4: 为什么蓝线会biu到90%，和其他三条线不一样捏？

解释部分

Richard Zhang

1. lacks focus

2. abstract 写的不好

3. ssl中的deformation [1]

4. 我们的ssl没有解释清楚 / avoid trivial solution（boundary）

5. 方法不太general

6. 在AL中做SSL的目的是什么

---

我们的主要贡献是，探索形变是物体的固有属性，它能够帮助网络在无任何人工标签的情况下学习到更好的图像内在特征表示，从而有利于代表性样本的选择在主动学习中。同时我们也验证了将它直接用于在少量标签情况下的图像分类分割等任务上的有效性。

（这里回答了#2的lacks focus 和 SSL和AL冲突的两个问题）

To #2:

一、我们这种新的SSL方法还是很有用的呢：

1. 我们是A哦～而且我们注意到了A产生的边界问题所带来的trivial solution，并提出了两个实践可行（意思就是理论上确实比较糙...）的avoid 的方法。第一种方法GS以loss的收敛情况为依据，偏向经验性。第二种方法PG若拓展成《很细腻的progressive》（怎么解释清楚一点呢？），就是很好的。

2. 我们补做了variance的实验：（看看我们的实验结果～）看到了吧，在实验上也确实是比其他SSL方法要好滴！

二、参考文献【1】：

两篇文章的侧重点不一样……

To #3:

The blue line graph stands for fully supervised training on the classification task. 在这句话后面加上鼠鼠和我说的full解释：横轴表示在该conv后直接加上clfer, 在该数据集上做全监督训练，没有迁移和冻结参数等操作……