Re-ranking Person Re-identification with k-reciprocal Encoding

Re-ranking Person Re-identification with k-reciprocal Encoding

Abstract

In this paper, we propose a k-reciprocal encoding method to re-rank the re-ID results. Our hypothesis is that if a gallery image is similar to the probe in the k-reciprocal nearest neighbors, it is more likely to be a true match.Specifically, given an image, a k-reciprocal feature is calculated by encoding its k-reciprocal nearest neighbors into a single vector, which is used for re-ranking under the Jaccard distance. The final distance is computed as the combination of the original distance and the Jaccard distance.

这篇论文提出了k-reciprocal 编码方法去重排re-ID结果。论文假定底库图片和查询图片在 k-reciprocal近邻是类似的，则它们最有多是匹配的。论文主要利用原始距离和杰卡德距离完成re-ranking。

Introduction

上图是使用KNN(k=10)聚类的结果，其中Probe为查询图片，P1~P4为正样本，N1~N6为负样本。P1~P4在类似排名上并不靠前，而N1~N6却比较靠前，这说明使用KNN算法获得初始排序结果具备很大噪声。

---

上图是使用KRNN(k-reciprocal nearest neighbor)算法的重排结果。首先咱们须要求出一张图片的表征特征（appearance feature）和k-r特征(k-reciprocal feature)而后分别计算原始距离和杰卡德距离，最后计算最终距离，得出re-ranking列表。

---

这篇文章的主要工做：

• 提出了单一的k-r特征，有利于re-ranking
• 不须要人工操做和数据标注，采用的是一种自动的和非监督的方法。
• 在多个数据集上，rank-1和mAP性能指标提高。

Proposed Approach

1. Problem Definition

Mahalanobis distance：

M为半正定矩阵 ，\(d(p,{g_i})\) 为文中提到的原始距离。

2. K-reciprocal Nearest Neighbors

KNN:

KNN算法简介：给定测试实例，基于某种距离度量找出训练集中与其最靠近的k个实例点，而后基于这k个最近邻的信息来进行预测。

• 时间复杂度o(n*k)：n为样本数量，k为单个样本特征的维度。若是不考虑特征维度的粒度为o(n)
• 空间复杂度o(n*k)：n为样本数量，k为单个样本特征的维度。若是不考虑特征维度的粒度为o(n)

KRNN:

∧为合取联结词,叫作合取,好比r=q∧p,那么当且仅当p与q同时为真(或者说同时为1)时r为真(或1)，也就是说\({g_i}\)是p的近邻，p也是\({g_i}\)的近邻。

有时候正样本不在K近邻中，也不在k-r近邻中。为了解决这个问题，本文增长了\(\frac{1}{2}\)k-r近邻，来得到更为鲁棒性的\({R^*}(p,k)\)。

3. Jaccard Distance

\(\left| \right|\)表明这个数据集的数量。若是\({g_i}\)和p是类似的，则\({R^*}(p,k)\)和\({R^*}(g_i,k)\)重合部分较多，则杰卡德距离\({d_J}(p,{g_i})\)就越小。
这步操做有3个缺点：

• 得到\({R^*}(g_i,k)\)和\({R^*}(p,k)\)数据很是费时。
• 计算全部近邻的权重都是相等的。
• 没有考虑到原始距离和杰卡德距离的联系。
  

4. Local Query Expansion

由于同一类别的图片具备类似的特征，咱们使用KNN方法完成本地查询操做。

5. Final Distance

6. Complexity Analysis

假设底库图片集大小为N,通常状况下距离测量和从新排序的时间复杂度分别为\(O({N^2})\)，\(O({N^2}\log N)\)。可是，咱们提早在本地上计算距离和进行排序，故时间复杂度分别为\(O({N})\)，\(O({N}\log N)\)。