行人重识别之rerank
Re-ranking Person Re-identification with k-reciprocal Encoding
原文链接：http://arxiv.org/pdf/1701.08398
这篇文章介绍了一种rerank方法，引用量较高，说明方法不错，一起来看一下算法的思想。
如上图所示，绿色的是识别正确的。作者阐述了如下规律：如果被正确识别出的图片作为probe(query)，那么根据其召回的图片很有可能包含原query以及其它的一些正确的图片，如上图的下半部分所示。如果包含原query，那么这样的图片被称为query的k-reciprocal nearest neighbor。利用这个信息可以进行rerank。
但是，这样rerank不具有足够的鲁棒性。那么作者就对k-reciprocal nearest neighbor再次查找k-reciprocal nearest neighbor。如下图所示，蓝色框为初始的k-reciprocal nearest neighbor，绿色框对C查找k-reciprocal nearest neighbor。综上进行rerank，就找到了之前没有找到的G。
那么这些信息是如何利用的呢？
vp是一个向量，其中的每一个元素代表对应的gallery与query是否为k-reciprocal nearest neighbor。这样，上述信息就可以用一个向量来表示，也就对应了题目中所说的编码。
进一步，每一个k-reciprocal nearest neighbor的权重一样过于武断，所以为其加权，如下图所示。其中d代表baseline计算出来的距离。
根据以上编码向量，就可以计算出两个图片之间的距离dJ。其中利用到了杰卡德距离的思想，通过推导就是下式。
最后，对dJ和baseline计算出的d进行加权，得到最终的相似度，从而进行排序。效果如下：
总结：rerank是行人重识别中非常重要的tricks之一，通过rerank可以大幅度提升性能。好的rerank算法可以直接应用于绝大多数模型。重要的是，rerank会涉及到很多超参数，这个需要耐心地做实验进行论证。
完
欢迎讨论 欢迎吐槽
