1701.Re-ranking Person Re-identification with k-reciprocal Encoding
本論文的書寫格式寫的很有條理。
基于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準确率的有效手段，作者提出了一種重排方法，通過編碼特征降低計算量，并引入Jaccard距離，與原始距離做權重進行最終的rank list計算，該方法的好處是不需要人工互動或者任何标簽資料，即可對任意的reid方法應用該手段來提升reid性能，并且可以應用到大規模資料集上，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，因為往往含有hard negative樣本即錯比對在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。是以作者設計三個步驟引入K-reciprocal encoding method for reid re-reranking.
1.編碼權重的k倒排近鄰進一個向量，形成k倒排特征向量，這樣使得可以一次性提取特征，讓reranking處理可以通過向量的比較輕易被執行，然後用該特征計算兩圖像間的Jaccard距離
2.為獲得魯棒的k倒排近鄰特征，設計了局部query expansion 方法進一步提升reid性能
3.最終的距離由權重的原始距離和Jaccard距離得到
架構如下：
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。
作者采用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，是以作者通過特征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：
資料集說明：
實驗測試結果：
另外，作者采用控制變量法，分析了超參數的設定，包括k1，k2和距離融合的權重設定lamda
k1和k2分别對應
中的k值，前面的k1為k倒排的top-k設定，後面的k為Local Query Expansion的k最近臨的門檻值設定，一般前者遠大于後者。
k倒排特征由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倒排特征更強健，再進行最終的距離計算。。。
Parameters Analysis
最終的re-ranking提升效果示例：