旷视开源了一套图像检索和 ReID 的 PyTorch 库，论文“PyRetri: A PyTorch-based Library for Unsupervised Image Retrieval by Deep Convolutional Neural Networks”介绍了其主要内容。
01 架构
在特征提取阶段，包含：数据增强（Data Augmentation对图像做各种变换）、骨干网选择（Backbone，使用不同的骨干网架构和预训练模型）、特征聚合（Aggregation，将不同网络提取的特征聚合成一个特征向量）。
在索引阶段，包含：维度处理（Dimension Process，PCA降维等）、特征增强（Feature Enhance）、距离度量（Distance Metric，衡量样本之间的相似性）、重排序（Rerank，对相似度较高的图像按照再次查询等方法重新排序）。
在评估阶段，包含：结果量化（Quantitative results）和可视化（Visualization）。
02 方法
该库目前支持的方法：
DirectResize (DR): 将图像长宽缩放到目标大小； PadResize (PR): 根据图像长边将图像等比例缩放到目标大小，空白区域用ImageNet均值填充； ShorterResize (SR): 根据图像短边将图像等比例缩放到目标大小； TwoFlip (TF): 返回原始图像和水平翻转图像； CenterCrop (CC): 从图像中心crop出目标大小的图像区域； TenCrop (TC): crop图像并按照上下左右翻转
3、后处理方法：
SVD : 使用矩阵SVM分解降维； PCA : PCA降维度； DBA : 数据库中每一个特征用它自己和自己的近邻的加权和表示； QE : 使用返回的 top-k 近邻 和原始查询图像再进行一次检索； k-reciprocal : 编码K个倒数最近邻，增强检索精度。
03 结果
作者在基于内容的图像检索（CBIR）和行人重识别（ReID）常用数据集 Oxford5k、CUB-200-2011、Indoor、Caltech101、Market-1501上进行了实验。
使用 PyRetri 检索时各阶段用时比较：
论文地址：
https://arxiv.org/abs/2005.02154
代码地址：
https://github.com/PyRetri/PyRetri
模型下载：
官方不仅开源了代码，也提供了在ImageNet、Places365、Market-1501、DukeMTMC-reID数据集上的预训练模型，可惜国内无法下载。
