1701.Re-ranking Person Re-identification with k-reciprocal Encoding--PRW 论文阅读笔记

1701.Re-ranking Person Re-identification with k-reciprocal Encoding
本论文的书写格式写的很有条理。
基于k倒排编码的reid重排研究，论文中，作者提到当用reid方法获得初始的top-k排序后，重排方法是提升reid准确率的有效手段，作者提出了一种重排方法，通过编码特征降低计算量，并引入Jaccard距离，与原始距离做加权进行最终的rank list计算，该方法的好处是不需要人工交互或者任何标签数据，即可对任意的reid方法应用该手段来提升reid性能，并且可以应用到大规模数据集上，作者在Market-1501，CUHK03，MARS和PRW上做了实验，验证了方法的有效性。
如图：

直接使用k-nearest neighbors 的top-k重排，因为往往含有hard negative样本即错匹配在top-k中，会引入噪声到重排系统，使重排性能提升效果被限制。
但是，从图中可看到probe是一个true matched的倒排近邻，而不是false matched的倒排近邻。因此作者设计三个步骤引入K-reciprocal encoding method for reid re-reranking.
1.编码加权的k倒排近邻进一个向量，形成k倒排特征向量，这样使得可以一次性提取特征，让reranking处理可以通过向量的比较轻易被执行，然后用该特征计算两图像间的Jaccard距离
2.为获得鲁棒的k倒排近邻特征，设计了局部query expansion 方法进一步提升reid性能
3.最终的距离由加权的原始距离和Jaccard距离得到
框架如下：

作者回顾了：
Re-ranking for object retrieval如AQE/DQE/CDM等方法
Re-ranking for re-ID
Using the k-nearest neighbors to implement reranking directly may restrict the overall performance since false matches are often included. To tackle this problem, in this paper, we investigate the importance of k-reciprocal neighbors in person re-ID and hence design a simple but effective re-ranking method。

作者采用1/2 k倒排最近临加入到k倒排近临，以增加k以外的正样本到k倒排近临中，而Jaccard距离计算如下：

会非常耗时，所以作者通过特征再次编码减少计算复杂度，考虑了越近的样本应该赋予更大的权重，如下：

数据集说明：

实验测试结果：

另外，作者采用控制变量法，分析了超参数的设置，包括k1，k2和距离融合的权重设置lamda
k1和k2分别对应中的k值，前面的k1为k倒排的top-k设置，后面的k为Local Query Expansion的k最近临的阈值设置，一般前者远大于后者。
k倒排特征由probe的k近临膨胀得到，膨胀包括了probe和galleryies的膨胀，膨胀如下：

膨胀后，使得到的k倒排特征更强健，再进行最终的距离计算。。。

Parameters Analysis

最终的re-ranking提升效果示例：