Paper Reading: Re-ranking Person Re-identification with k-reciprocal Encoding

Paper Reading Note

URL:
https://arxiv.org/pdf/1701.08398.pdf

TL;DR

17年CVPR的一篇文章，为了学习reID而读的，很基础的一篇文章。
本文主要是提出了一种不需要人工交互或者任何标签数据的re-ranking方法，该方法能够适用于任何reID的结果，并提高其效果。

Algorithm

主要思想：

对于一个probe他的top-10 nearest image有对的有错的，对于每一个image，可以用同样的方法找到他的top-10 nearest image，如果二者有均出现在对方的列表上，就把其定义为k-reciprocal neighbor。根据这个规则可以有效地对结果进行重排序。

模型框架如下：

模型从两个角度提取特征：

马氏距离作为计算appearance feature距离的标准。
Jaccard距离计算k-reciprocal feature距离，在其中作者做了一些转化，将Jaccard距离需要解决的集合比较问题变成了纯向量计算问题。

上图是原始的Jaccard距离计算方法。

上图是转换后的计算距离的方法。其中作者用soft weighting代替了原始的0，1构成的hard weighting，把距离信息也带到了算式中：

最后作者把二者加权融合作为最终的距离：

Experiment Results

作者和SOTA模型在Market-1501等数据集上进行了比较，效果都超过了其他方法。需要提到的是，作者在进行比较的时候控制变量是用re-ranking和不用re-ranking，感觉应该需要其他的re-ranking的方法进行比较（考虑到作者想表达的就是加上re-ranking效果更好，这样做也无可厚非）。

上表是在MARS数据集上的比较结果，都是+Ours和不加的进行比较。

作者还对实验中选取的参数进行的实验比较。

Thoughts

了解了re-ranking为什么会提高实验效果。
这篇论文的模型很简单，但是应用的Jaccard距离应用到距离计算中是一种很值得借鉴的方法。