面向开放集行人再识别的身份条件分数融合
Identity-Conditioned Score Fusion for Open-Set Person Re-Identification
精选理由
提出无需训练的身份条件分数融合，提升开放集行人重识别的匹配准确性与鲁棒性。
AI 摘要
arXiv:2610.07366v1 公告类型：cross 摘要：稳健的行人再识别通常会融合人脸、步态和体型等互补线索。尽管自适应融合通常以查询质量为目标，但不同身份的模型表现也存在差异。我们提出身份条件分数融合，这是一种无需训练、针对每个库中身份定制权重的框架。通过对比同一身份内的一致性与跨身份的冒认样本，该方法提取出特定于身份的特征画像，并通过无参数规则将其与查询条件自适应相结合。在保持分数校准的同时，该方法扩大了真实匹配与错误匹配之间的区分度。在三个换装行人再识别基准数据集上的评估表明，我们的方法始终优于统计型、基于排序和学习型基线，使错误未识别率最高绝对降低8.8%，证明了身份条件融合在开放集行人再识别中的价值。