换装行人重识别新突破！MINER框架四个数据集达SOTA，挑战赛三赛道全第一
MINER: Modeling Inter- and Intra-Person Variance for Reidentification
📖 AI 总结
该论文针对换装行人重识别（CC-ReID）中因服装变化导致外观剧烈改变的问题，提出MINER框架。现有方法多通过分割掩码等生物特征提取策略增强人际差异，却忽视了个体内差异的控制。MINER作为一种模型无关的简单框架，通过对比难样本抑制服装偏差，并自适应平衡数据集相关的个体内与个体间方差。实验表明，MINER在换装重识别基准上提升了检索性能，在四个数据集上达到当前最优，并在开放TVRID RGB-深度重识别挑战赛三个赛道中均位居前列。该工作为换装重识别提供了一种不依赖特定模型、兼顾两类方差的通用思路，具有较好的泛化潜力。
🔑 关键词速览
| Clothes-Changing Person Re-Identification (CC-ReID) | 换装行人重识别，指在行人更换服装后仍能识别同一人的任务。 |
| inter-person variance | 人际间方差，指不同行人之间的特征差异。 |
| intra-person variance | 人际内方差，指同一行人在不同条件下（如换装）的特征变化。 |
| hard examples | 困难样本，指难以正确区分的样本，常用于对比学习以提升模型鲁棒性。 |
| model-agnostic framework | 模型无关框架，指不依赖于特定模型架构的通用方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅