利用合成数据提升长期重识别鲁棐性：比较分析
计算机视觉与模式识别
2025-04-28 v1 人工智能
机器学习
摘要
本论文探讨了合成训练数据使用及材料磨损和老化在重识别中的影响。测试了不同的实验设置和画廊集合扩展策略，分析了这些策略对随时间变化的重识别主体性能的影响。通过持续更新画廊，我们能够在考虑材料老化的逐步处理下，将平均 Rank-1 准确率提高 24%。此外，使用 10% 人工训练数据训练的模型相较于仅使用真实数据训练的模型，Rank-1 准确率可提高最高 13%，显著提升了在持有集数据上的广泛性能。最后，本工作引入了一个新型开源重识别数据集：pallet-block-2696。该数据集包含 2696 张欧元托盘的图片，采集于 4 个月期间。期间发生了自然老化过程，且一些托盘在使用中受到损坏。这些磨损和疲劳过程显著改变了托盘的外观，为生成合成老化托盘或其他木质材料的合成数据提供了可用于的数据集。
关键词
引用
@article{arxiv.2504.18286,
title = {Enhancing Long-Term Re-Identification Robustness Using Synthetic Data: A Comparative Analysis},
author = {Christian Pionzewski and Rebecca Rademacher and Jérôme Rutinowski and Antonia Ponikarov and Stephan Matzke and Tim Chilla and Pia Schreynemackers and Alice Kirchheim},
journal= {arXiv preprint arXiv:2504.18286},
year = {2025}
}
备注
Published in: 2024 International Conference on Machine Learning and Applications (ICMLA), IEEE. 6 pages, 3 figures