本文主要是介绍行人reid,检索角度AQE Rerank,提升检索精度，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
采用该方法的必要性：
由于实际场景图像的复杂性，仅仅利用VLAD向量的相似并不能取得很好的精度，通常先利用VLAD向量从图像库中快速的检索出最相似的K幅图像，然后再进一步筛选。
图像检索(7)：取得更好的检索结果
从图像检索角度提升最终距离排序结果，目前常用的有两种：
AQE
扩展查询的方法有很多，简单有效的就是均值扩展查询（Average Query Expansion,AQE）
初始检索，选择Top N。 距离为准
空间验证，选择Top K。匹配点的个数为准
将空间验证后的Top K个的图像编码的做均值，作为新的查询。
Total Recall: Automatic Query Expansionwith a Generative Feature Model for Object Retrieval
reid AQE采用该论文中的方法对特征进行重新计算，更多的把底库相似的图片都找到，提高准确率
rerank
论文笔记4 --（ReID）Re-ranking Person Re-identification with k-reciprocal Encoding
（详细解读行人重识别的k-reciprocal Encoding(k个相互近邻编码方法) re-ranking方法及其实现代码解读）
现场比对搜索采用rerank方式搜索结果会更好，rerank目前有多种方式后续添加
全国人工智能大赛 行人重识别(Person ReID)赛项 季军团队方案分享
https://zhuanlan.zhihu.com/p/109920765
该作者提供对 rerank做了加速处理，有助于多数据的测试
这篇关于行人reid,检索角度AQE Rerank,提升检索精度的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
