Introduction
当前ReID方法在检索时速度受到gallery规模和特征编码长度影响：相比之下，计数排序的时间复杂度比快速排序更小；汉明距离的时间复杂度比欧氏距离更小。现有一些快速ReID的方法采用了哈希的思想，采用二进制特征编码，而不是实数编码。而汉明距离对应计算的为二进制特征编码。然而当前基于哈希编码的方法，将特征编码长度设置为了2048，计算成本依然较大。
为此，作者提出了Coarse-to-Fine(CtF)搜索策略。CtF采用了更短的编码来对gallery进行粗糙排序，再使用更长的编码来对前若干名候选项进行精细排序。然而，这个思路存在三个困难：① 需要多种长度的编码，若采用多个模型提取将耗时且非最优；② ReID中短特征编码的准确度往往比较差，很难保证粗糙排序的准确性；③ 如何动态设置粗糙排序的距离阈值，来平衡最终的准确率和速度。
为了解决上述的三个问题，作者提出了All-in-One (AiO)框架以及Distance Threshold Optimization (DTO)算法。其中AiO框架结合了金字塔结构，可以用单模型来学习并增强多种长度的特征编码。
Proposed Method
(1) Coarse-to-Fine Search:
(2) All-in-One Framework:
提取到的实数特征编码转为二进制特征编码的方法：通过BN层使得其均值为0，再转为0/1值（原文我并没有理解的很清晰，我的理解是小于0的值设置为0，大于0的值设置为1）。
为了增强长特征的判别能力，作者采用了自蒸馏(self-distillation)学习方法。 自蒸馏不需要额外的teacher模型，这里包含了概率蒸馏和相似性蒸馏。其中概率蒸馏为：
其中Lce为交叉熵损失，这个公式可以理解为长特征的特征分布作为ground truth，让短特征的特征分布向其靠近。其中相似性蒸馏为：
其中G表示汉明距离，l表示特征长度，这个公式理解为：让不同长度的特征拥有相似的距离度量。
(3) Distance Threshold Optimization:
高效的查询要满足两个条件：高准确率和快速。其中快速的前提是粗查询得到的候选项要少，高准确率的前提是候选项中正样本要多。要满足这两者，需要平衡好候选项数量的阈值。为此，作者设计了DTO。
作者首先计算了precision(P)和recall(R)，再融合为一个指标：
其中TP表示候选项中正样本数，FP表示候选项中负样本数，FN表示未纳入候选项的正样本数。
由于TP/FP/FN三个指标没法进行优化，因此引入了概率密度函数PDF和累积分布函数CDF：
公式中的u和σ通过验证集评估固定，DTO算法如下：【这部分Fβ的计算没理解】
Experiments
