提升人类重识别性能的高级机器学习方法
计算机视觉与模式识别
2026-01-06 v1
摘要
人类重识别 (ReID) 在复杂环境中的智能监视系统中发挥着关键作用，通过多个摄像头链接身份标识。然而，ReID 面临着外观变化、域迁移和有限标注数据等显著挑战。本论文提出了三种高级方法来增强 ReID 在监督、无监督域适应 (UDA) 和全无监督情形下的性能。首先，SCM-ReID 将监督对比学习与混合损失优化 (分类损失、中心损失、三角损失和质心-三角损失) 集成，改进了判别特征表示，在 Market-1501 和 CUHK03 数据集上实现了最先进的准确率。其次，对于 UDA，IQAGA 和 DAPRH 组合 GAN-based 图像增强、域无关映射和伪标签细化，以缓解域差异并增强跨域泛化。实验表明，在具有挑战性迁移情景中，mAP 和 Rank-1 提升最高可达 12%。最后，ViTC-UReID 利用基于 Vision Transformer 的特征编码和摄像头感知代理学习来提升无监督 ReID。通过整合全局和局部注意力与摄像头身份约束，该方法在大规模基准测试中显著优于现有无监督方法。全面评估覆盖 CUHK03、Market-1501、DukeMTMC-reID 和 MSMT17，确认了所提方法的有效性。这些贡献通过解决特征学习、域适应和标签噪声处理中的关键限制，为可靠部署于实际监视系统铺平了道路。
引用
@article{arxiv.2601.01356,
title = {Advanced Machine Learning Approaches for Enhancing Person Re-Identification Performance},
author = {Dang H. Pham and Tu N. Nguyen and Hoa N. Nguyen},
journal= {arXiv preprint arXiv:2601.01356},
year = {2026}
}
备注
in Vietnamese language