1701.Re-ranking Person Re-identification with k-reciprocal Encoding
本論文的書寫格式寫的很有條理。
基於k倒排編碼的reid重排研究，論文中，作者提到當用reid方法獲得初始的top-k排序後，重排方法是提升reid準確率的有效手段，作者提出了一種重排方法，通過編碼特徵降低計算量，並引入Jaccard距離，與原始距離做加權進行最終的rank list計算，該方法的好處是不需要人工交互或者任何標籤數據，即可對任意的reid方法應用該手段來提升reid性能，並且可以應用到大規模數據集上，作者在Market-1501，CUHK03，MARS和PRW上做了實驗，驗證了方法的有效性。
如圖：
直接使用k-nearest neighbors 的top-k重排，因爲往往含有hard negative樣本即錯匹配在top-k中，會引入噪聲到重排系統，使重排性能提升效果被限制。
但是，從圖中可看到probe是一個true matched的倒排近鄰，而不是false matched的倒排近鄰。因此作者設計三個步驟引入K-reciprocal encoding method for reid re-reranking.
1.編碼加權的k倒排近鄰進一個向量，形成k倒排特徵向量，這樣使得可以一次性提取特徵，讓reranking處理可以通過向量的比較輕易被執行，然後用該特徵計算兩圖像間的Jaccard距離
2.爲獲得魯棒的k倒排近鄰特徵，設計了局部query expansion 方法進一步提升reid性能
3.最終的距離由加權的原始距離和Jaccard距離得到
框架如下：
作者回顧了：
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。
作者採用1/2 k倒排最近臨加入到k倒排近臨，以增加k以外的正樣本到k倒排近臨中，而Jaccard距離計算如下：
會非常耗時，所以作者通過特徵再次編碼減少計算複雜度，考慮了越近的樣本應該賦予更大的權重，如下：
數據集說明：
實驗測試結果：
另外，作者採用控制變量法，分析了超參數的設置，包括k1，k2和距離融合的權重設置lamda
k1和k2分別對應
k倒排特徵由probe的k近臨膨脹得到，膨脹包括了probe和galleryies的膨脹，膨脹如下：
膨脹後，使得到的k倒排特徵更強健，再進行最終的距離計算。。。
Parameters Analysis
最終的re-ranking提升效果示例：
