超越数据增强：在极端捕获环境下的模型鲁棒性提升

计算机视觉中的人员重识别(re-ID)旨在识别并跟踪不同摄像头下的个体。虽然之前的研究主要关注姿态变化和光照变化等挑战，但对极端捕获条件的影响往往未得到充分考虑。这些极端条件包括多样化的光照、摄像机风格、角度以及图像失真，这些因素会显著影响数据分布和重识别准确率。当前研究通常通过调整亮度和对比度等数据增强技术来提高模型在正常拍摄条件下的泛化能力，但对极端拍摄条件下的模型鲁棒性关注不足。为此，我们提出了一种多模式同步学习(MMSL)策略。该方法将图像划分为网格，随机选择网格块，应用对比度和亮度调整等数据增强方法。该过程在不改变原始图像结构的前提下引入多样化的变换，有助于模型适应极端变化。该方法提高了模型在极端条件下的泛化能力，使其能够学习多样化的特征，从而更好地应对重识别中的挑战。在极端条件下的模拟测试集上进行了大量实验，证明了该方法的有效性。该方法对于增强模型的鲁棒性和适应性具有重要意义，支持人员重识别技术在实际场景中的发展。