向中心移动：基于注意力与记忆的重排序行人车辆重识别方法

重排序利用上下文信息优化行人或车辆重识别（re-ID）的初始排序列表，在后期处理步骤中提升检索性能。本文提出一种重排序网络来预测探针样本与排名靠前邻近样本之间的相关性。具体而言，查询与画廊图像的所有特征嵌入通过其邻居的线性组合进行扩展和增强，相关性预测作为判别性组合权重。该组合过程等价于将独立嵌入向身份中心移动，改善簇的紧致性。对于相关性预测，我们首先通过Transformer编码器聚合探针的k近邻的上下文信息。然后，我们通过注意力机制将探针相关特征蒸馏并精炼到上下文记忆（Contextual Memory）单元中。如同人类不仅考虑探针图像还记忆已检索图像来检索图像一般，上下文记忆为每个实例生成多视角描述。最后，从上下文记忆中提取特征重构邻居，并由二分类器预测其与探针的相关性。在六个广泛使用的行人与车辆重识别基准上的实验证明了所提方法的有效性。特别地，我们的方法在大规模数据集上以显著优势超越最先进的重排序方法，即在VERI-Wild、MSMT17和VehicleID数据集上平均提升4.83% CMC@1和14.83% mAP。