【论文笔记-01】Re-ranking Person Re-identification with k-reciprocal Encoding

论文链接：https://arxiv.org/abs/1701.08398v3

【Abstract】当把Re-ID作为一个图像检索问题时，re-ranking是提高其准确性的关键步骤。然后，在Re-ID研究领域，很少有paper是专注于re-ranking。尤其是那些全自动、无监督的解决方案。这篇Paper提出一种 k-reciprocal 编码方法来对Re-ID结果进行 re-ranking。这里假设：如果一张gallery集中的图片跟 k-reciprocal近邻中的probe 是很类似的话，那么它很有可能是一个真正的匹配。具体来说，对于给定的一张图片，通过将其 k-reciprocal 最近邻编码为一个向量来计算 k-reciprocal特征。该向量用于在 Jaccard距离下的 re-ranking。最后的距离是原始距离和Jaccard距离的加权和。本文提出的方法不需要任何的交互操作和标签数据，所以将此方法应用到更大规模的数据集上。在 Market-1501，CUHK03，MARS，以及 PRW 数据集上验证了本文方法的有效性。

【Introduction】行人重识别（Re-ID）是一个富有挑战性的计算机视觉任务。通常情况下，可以将Re-ID看作一个检索问题。对于给定的探测对象（probe）,我们期望在 gallery数据集中找到该探测对象（gallery数据集就是包含许多probe不同姿态和不同背景下的拍摄到的图片）。在获得一个初始的ranking排名列表后，一个好的优化方法是对初始ranking进行re-ranking操作，让那么与probe相关的图像获得更高的排名。所以这篇Paper的主要工作在Re-ranking这块。

re-ranking 已经在 instance retrieval 领域取得了诸多研究进展，许多 re-ranking 方法的优点在于，它可以在不需要额外的训练样本的情况下实现，并且可以应用到任何一种初始 ranking。

此外，re-ranking 的有效性很大程度上取决于 initial ranking 的质量。之前一部分的研究工作利用inital ranking 列表中 top-ranking 图片之间的相似性关系取得不错的实验效果。一个潜在的假设，如果检索返回的图像在probe的k近邻中，那么这张图像很有可能是一个真的匹配，可以用于后续的 re-ranking。然后，现实情况往往会是：错误的匹配的图像很有可能就在probe的k近邻中。如下图1所示，P1、P2、P3、P4是4张真的匹配结果，但是这4张检索匹配结果并没有出现在top-4 里。可以观察到N1到N6这6张在ranking list中排名很高，top-10 出现6张。直接使用top-k 图片进行re-ranking操作，不利于提升re-ranking的效果。

通过阅读诸多文献发现针对上述问题，k-reciprocal 最近邻是一种很有效的解决方法。

综合上述，这篇paper引入 k-reciprocal 编码到行人重识别研究工作中。这篇paper的方法主要包含三步：

1.  我们对加权的k-reciprocal 近邻集合编码成一个N维向量形成k-reciprocal特征，两张图片之间的Jaccard距离可以通过k-reciprocal特征进行计算

2. 为了获得更鲁棒的k-reciprocal特征，我们引入local query expansion方法来进一步提升re_DI的性能。

3. 最终的距离是原始距离和Jaccard距离的加权和，根据得到的最终距离生成新的 re-ranking 列表。

这篇paper的算法框架如下图所示：

 

【Proposed Approach】

问题定义：给定probe person  以及gallery 数据集（数据集规模——有张图片），person   和原