CORE-ReID V2：针对对象重识别的领域适应进阶——优化训练与集成融合
计算机视觉与模式识别
2025-08-07 v1 人工智能
摘要
本研究提出CORE-ReID V2，一种在CORE-ReID基础上进行的增强框架。新框架在继承前作基础上，解决了人员重识别和车辆重识别中的无监督域适应（UDA）挑战，同时可扩展至对象重识别。在预训练阶段，采用CycleGAN合成多样化数据，弥合不同域之间图像特征的差距。在微调阶段，引入高级集成融合机制，包含高效通道注意力模块（ECAB）和简化高效通道注意力模块（SECAB），提升局部与全局特征表征，减少目标样本伪标签的歧义性。在广泛使用的UDA人员重识别和车辆重识别数据集上的实验结果表明，所提框架超越了当前最先进的方法，在平均精度（mAP）和前k准确率（Top-1、Top-5、Top-10）方面实现领先。此外，框架支持轻量级骨干网络如ResNet18和ResNet34，确保可扩展性与效率。我们的工作不仅推动了基于UDA的对象重识别边界，还为该领域的进一步研究与发展奠定了坚实基础。我们的代码与模型已发布于 https://github.com/TrinhQuocNguyen/CORE-ReID-V2。
引用
@article{arxiv.2508.04036,
title = {CORE-ReID V2: Advancing the Domain Adaptation for Object Re-Identification with Optimized Training and Ensemble Fusion},
author = {Trinh Quoc Nguyen and Oky Dicky Ardiansyah Prima and Syahid Al Irfan and Hindriyanto Dwi Purnomo and Radius Tanone},
journal= {arXiv preprint arXiv:2508.04036},
year = {2025}
}
备注
AI Sens. 2025, Submission received: 8 May 2025 / Revised: 4 June 2025 / Accepted: 30 June 2025 / Published: 4 July 2025. 3042-5999/1/1/4