本文介绍了如何利用k-互易编码改进人员再识别的重排序方法，通过Jaccard距离和局部查询扩展提高匹配准确性，解决了初始排名列表中的不正确匹配对问题。
本文是关于重排序论文中创新方法的翻译，主要是解决初始排序列表中不正确匹配对问题：对于probe,其正匹配对Pi的匹配对有包含该probe，而负匹配对Ni的匹配对中没有probe。
Introduction
人员重新识别（re-ID）是计算机视觉中的一项艰巨任务。 通常，re-ID可以视为检索问题。 给定一个侦探人员（probe person），我们想在跨相机模式下在图库(gallery)中搜索包含同一人员的图像。 获得初始排名列表后，一种好的做法是添加一个重新排名(re-ranking)步骤，以期望相关图像将获得更高的排名。
下面便是基于k-reciprocal 编码的重排序方法。
如上图，在上半部分示例中，根据初始排名，找到rank-10的对应图像。作者观察到探针是真实匹配图像的相应邻居，而不是错误匹配图像的相应邻居。 （比如可以看到正匹配对P1中的匹配项中包括Probe，负匹配对N1的匹配对中不包括Probe）该观察结果可识别初始排名列表中的真实匹配项，以改善重新排名结果。
Proposed Approach
1.Problem Definition
给定一个探测人 p p p和有 N N N张图片的图库，其中 G = { g i ∣ i = 1 , 2 , 3 , … N } \mathcal{G}= \{ {g_{i}|i=1,2,3,…N}\} G={ gi∣i=1,2,3,…N}，两个人 p 和 g i p和g_{i} p和gi通过计算马氏距离（Mahalanobis distance）来获得初始距离:
d ( p , g i ) = ( x p − x g i ) T M ( x p − x g i ) d(p,g_{i})=(x_{p}-x_{g_{i}})^TM(x_{p}-x_{g_{i}}) d(p,gi)=(xp−xgi)TM(xp−xgi)
其中 x p x_{p} xp和 x g i x_{g_{i}} xg
最低0.47元/天 解锁文章
1942
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
