ReID相關知識

概念

• gallery probe
  gallery set – 參考圖像集，即公認的標準行人庫，測試用；
  probe set – 待查詢圖像集，也叫query set，測試用。
• single gallery shot和muti gallery shot
  gallery 中同一id出現的數量
  single gallery shot – 指gallery中每個人的圖像爲一張（N=1）；
  muti gallery shot – 指gallery中每個人的圖像爲多張（N>1），同樣的rank-1下，一般N越大，得到的識別率越高。
• hard negatives和hard positives
  hard negatives: 長得像但是不是一個id
  hard positives: 是一個人但是長得不像

評價標準

precision & recall

準確率和召回率 查準和查全
已經提前設定了閾值

• F/T 表示算法預測的對不對
• P/N 表示算法預測該類是正/負樣本
• 查準率：判定爲正例的有多少是真正的正例
• 查全率：全部的正例中找出來了多少
  

F1 Score

ROC&AUC

AUC即ROC曲線下的面積
ROC曲線： 假正率-真正率曲線

• TPRate: 判斷gt爲gt的概率
• FPRate:判斷非gt爲gt的概率
  通過給分類器設置不同的置信度閾值得到多組（FP,TP）數據繪製成ROC 曲線。考察了不同閾值下的分類情況
  最小爲0.5
  同時考慮了分類器對於正例和負例的分類能力，在樣本不平衡的情況下，依然能夠對分類器作出合理的評價
  參考：from 知乎
  AUC概率學意義：
  
  

mAP(mean Average Precision)

• AP：當查準率變化時（新增TP 因FN不變），累計precision,算出的均值，即不同召回率上的正確率的平均值
• mAP： n次檢索的平均AP

計算方式

假設gt共有M個
對每個查詢到的gt：$\Delta Recall$都是1/M
$\frac{Precision_{i}+Precision_{i-1}}{2}*\frac{1}{M}$
累加這些小體型的面積來近似積分

CMC(Cumulative Match Characteristic curve)

k-Rank-k 曲線
Rank-k 前k次檢索出gt=1，else=0 對多次檢索取均值

常見技術

Re-ranking

樣本已經是提取出來的行人圖片，然後使用訓練好的resnet50提取特徵，基於這些特徵計算出馬氏距離和傑卡德距離，然後對這2個距離做一個加權求和，得到最終的距離。

Triplet