曠視開源了一套影像檢索和 ReID 的 PyTorch 庫，論文“PyRetri: A PyTorch-based Library for Unsupervised Image Retrieval by Deep Convolutional Neural Networks”介紹了其主要內容。
01 架構
在特徵提取階段，包含：資料增強（Data Augmentation對影像做各種變換）、骨幹網選擇（Backbone，使用不同的骨幹網架構和預訓練模型）、特徵聚合（Aggregation，將不同網路提取的特徵聚合成一個特徵向量）。
在索引階段，包含：維度處理（Dimension Process，PCA降維等）、特徵增強（Feature Enhance）、距離度量（Distance Metric，衡量樣本之間的相似性）、重排序（Rerank，對相似度較高的影像按照再次查詢等方法重新排序）。
在評估階段，包含：結果量化（Quantitative results）和視覺化（Visualization）。
02 方法
該庫目前支援的方法：
DirectResize (DR): 將影像長寬縮放到目標大小； PadResize (PR): 根據影像長邊將影像等比例縮放到目標大小，空白區域用ImageNet均值填充； ShorterResize (SR): 根據影像短邊將影像等比例縮放到目標大小； TwoFlip (TF): 返回原始影像和水平翻轉影像； CenterCrop (CC): 從影像中心crop出目標大小的影像區域； TenCrop (TC): crop影像並按照上下左右翻轉
3、後處理方法：
SVD : 使用矩陣SVM分解降維； PCA : PCA降維度； DBA : 資料庫中每一個特徵用它自己和自己的近鄰的加權和表示； QE : 使用返回的 top-k 近鄰 和原始查詢影像再進行一次檢索； k-reciprocal : 編碼K個倒數最近鄰，增強檢索精度。
03 結果
作者在基於內容的影像檢索（CBIR）和行人重識別（ReID）常用資料集 Oxford5k、CUB-200-2011、Indoor、Caltech101、Market-1501上進行了實驗。
使用 PyRetri 檢索時各階段用時比較：
論文地址：
https://arxiv.org/abs/2005.02154
程式碼地址：
https://github.com/PyRetri/PyRetri
模型下載：
官方不僅開源了程式碼，也提供了在ImageNet、Places365、Market-1501、DukeMTMC-reID資料集上的預訓練模型，可惜國內無法下載。