رغم اقتراح العديد من الطرق لتحقيق تقدم في التعرف على صفات المشاة، إلا أن هناك مشكلة حاسمة غالباً ما يتم تجاهلها في المجموعات البيانات الحالية، وهي وجود عدد كبير من هويات المشاة المتطابقة في مجموعتي التدريب والاختبار، مما لا يتوافق مع التطبيقات العملية. لذلك، تكون الصور للمشاة ذوي الهوية نفسها في مجموعتي التدريب والاختبار شديدة الشبه، مما يؤدي إلى تقدير أداء الطرق الرائدة بشكل مبالغ فيه على المجموعات البيانات الحالية. لحل هذه المشكلة، نقترح اثنتين من المجموعات البيانات الواقعية PETA\textsubscript{$zs$zs} و RAPv2\textsubscript{$zs$zs} التي تتبع إعداد الصفر (zero-shot) لهويات المشاة بناءً على مجموعتي البيانات PETA و RAPv2. بالإضافة إلى ذلك، قمنا بملاحظة أنه بالمقارنة مع طريقة الأساس القوية لدينا، فإن الطرق الرائدة الحديثة لا تستطيع تحقيق تحسين في الأداء على PETA و RAPv2 و PETA\textsubscript{$zs$zs} و RAPv2\textsubscript{$zs$zs}. وبالتالي، من خلال حل عدم التوازن الذاتي للصفات في التعرف على صفات المشاة، تم اقتراح طريقة فعالة لتحسين الأداء بشكل أكبر. تؤكد التجارب التي أجريت على المجموعات البيانات الحالية والمقترحة تفوق طريقتنا بتحقيق أداء رائد.请注意，由于阿拉伯语中没有专门的下标符号，因此在翻译时保留了原文中的下标格式（例如 \textsubscript{$zs$zs}）。如果需要进一步调整这些格式以适应阿拉伯语出版物的要求，请告知。