DART$^3$：基于距离的测试时适应人体重识别
计算机视觉与模式识别
2025-05-27 v1
摘要
人体重识别（ReID）模型已知会受到镜头偏置影响，学习的表征会根据镜头视角进行聚类，从而在实际监控系统中当新增摄像机时导致显著性能下降。现有最先进的测试时适应（TTA）方法主要为分类任务设计，依赖基于分类熵的目标函数，难以为ReID任务提供良好泛化，因而不适用于解决镜头偏置问题。本文引入DART，一种专为缓解人体ReID中由镜头引起的领域偏移而设计的TTA框架。DART（Distance-Aware Retrieval Tuning at Test Time）利用基于距离的目标函数，更好地与图像检索任务如ReID相吻合，通过利用最近邻距离与预测误差之间的相关性。与先前的ReID专用域适应方法不同，DART无需源数据、无需架构修改或重新训练，可在完全黑箱和混合设置中部署。多项ReID基准测试的实验表明，DART及其轻量化替代方案DART LITE一致优于现有最先进的TTA基线，成为有效的在线学习方法，以缓解镜头偏置的不利影响。
引用
@article{arxiv.2505.18337,
title = {DART$^3$: Leveraging Distance for Test Time Adaptation in Person Re-Identification},
author = {Rajarshi Bhattacharya and Shakeeb Murtaza and Christian Desrosiers and Jose Dolz and Maguelonne Heritier and Eric Granger},
journal= {arXiv preprint arXiv:2505.18337},
year = {2025}
}