迈向随时检索：一个随时行人重识别基准
计算机视觉与模式识别
2025-09-23 v1
摘要
在实际应用中，行人重识别（ReID）被期望能在任何时间检索到目标行人，包括白天和夜间，时间跨度从短期到长期。然而，现有的 ReID 任务和数据集无法满足这一要求，因为它们受限于可用时间，且仅为特定场景提供训练和评估。因此，我们研究了一项名为随时行人重识别（AT-ReID）的新任务，旨在基于时间变化在多个场景中实现有效检索。为解决 AT-ReID 问题，我们收集了首个大规模数据集 AT-USTC，该数据集包含由 RGB 和 IR 相机拍摄的 403k 张穿着多套服装的个体图像。我们的数据采集历时 21 个月，270 名志愿者在不同日期或场景下平均被拍摄 29.1 次，比现有数据集多 4-15 倍，为 AT-ReID 的后续研究提供了条件。此外，为应对多场景检索的新挑战，我们提出了一个名为 Uni-AT 的统一模型，该模型包含一个用于场景特定特征学习的多场景 ReID（MS-ReID）框架、一个用于缓解场景间干扰的属性专家混合（MoAE）模块，以及一个用于确保所有场景间训练平衡的分层动态加权（HDW）策略。大量实验表明，我们的模型取得了令人满意的结果，并对所有场景展现出优异的泛化能力。
引用
@article{arxiv.2509.16635,
title = {Towards Anytime Retrieval: A Benchmark for Anytime Person Re-Identification},
author = {Xulin Li and Yan Lu and Bin Liu and Jiaze Li and Qinhong Yang and Tao Gong and Qi Chu and Mang Ye and Nenghai Yu},
journal= {arXiv preprint arXiv:2509.16635},
year = {2025}
}
备注
Accepted by IJCAI 2025