基于 Beta 混合模型的相似性无噪声目标重识别中的异常检测
计算机视觉与模式识别
2025-09-16 v3 人工智能
机器学习
统计理论
机器学习
统计理论
摘要
目标重识别 (Re-ID) 方法对标签噪声极其敏感，这通常导致显著的性能下降。我们通过将 Re-ID 重新建模为监督图像相似性任务并采用 Siamese 网络架构来解决这一挑战，该网络架构经过训练以捕获判别性成对关系。我们方法的核心是一种新型统计异常检测 (OD) 框架，称为 Beta-SOD (Beta 混合相似性基于异常检测)，它使用两个组成的 Beta 分布混合模型来建模嵌入对之间的余弦相似性分布。我们建立了一个关于两个 Beta 分布混合模型的新颖可辨识性结果，确保我们的学习任务是 well-posed 的。该提议的 OD 步骤补充了结合二元交叉熵、对比损失和余弦嵌入损失的 Re-ID 架构，这些损失共同优化特征级别的相似性学习。我们在 person Re-ID 的 CUHK03 和 Market-1501 数据集上，以及 vehicle Re-ID 的 VeRi-776 数据集上 demonstrate 该 Beta-SOD 在去噪和 Re-ID 任务中的有效性。该方法在各种噪声水平 (10-30%) 下均显示出优于基于状态的方法的优越性能，表明其在噪声 Re-ID 场景中具有鲁棒性和广泛适用性。Beta-SOD 的实现可在 github.com/waqar3411/Beta-SOD 上获得。
引用
@article{arxiv.2509.08926,
title = {Similarity-based Outlier Detection for Noisy Object Re-Identification Using Beta Mixtures},
author = {Waqar Ahmad and Evan Murphy and Vladimir A. Krylov},
journal= {arXiv preprint arXiv:2509.08926},
year = {2025}
}