معيار الأداء للاعتراف بإعادة الشخص مع عدم التأثر بالفساد

عند نشر نموذج إعادة التعرف على الشخص (ReID) في التطبيقات الحساسة للأمان، من الضروري فهم متانة النموذج ضد مجموعة متنوعة من تشوهات الصور. ومع ذلك، فإن التقييمات الحالية لإعادة التعرف على الشخص تقتصر على الأداء في قواعد البيانات النظيفة وتتجاهل الصور في سيناريوهات مختلفة من التشوه. في هذا البحث، نقوم بتأسيس ستة مقاييس شاملة لإعادة التعرف على الشخص لتعلم تمثيل ثابت أمام التشوهات. في مجال إعادة التعرف على الشخص، نحن أول من يقوم بدراست شاملة حول تعلم الثبات أمام التشوهات في قواعد البيانات أحادية ومتعددة الوسائط، بما في ذلك Market-1501، CUHK03، MSMT17، RegDB، SYSU-MM01. بعد إعادة إنتاج وفحص أداء المتانة ضد التشوهات لـ 21 طريقة حديثة لإعادة التعرف على الشخص، لدينا بعض الملاحظات: 1) النماذج المستندة إلى المحولات (transformers) أكثر متانةً تجاه الصور المشوهة مقارنة بالنماذج المستندة إلى الشبكات العصبية التقنية (CNN)، 2) زيادة احتمال المسح العشوائي (random erasing)، وهو طريقة تعزيز شائعة الاستخدام، يضر بمتانة النموذج ضد التشوهات، 3) تحسن التعميم بين قواعد البيانات مع زيادة متانة النموذج ضد التشوهات. من خلال تحليل هذه الملاحظات، نقترح خط أساس قوي لكل من قواعد البيانات أحادية ومتعددة الوسائط لإعادة التعرف على الشخص والذي يحقق متانةً محسنةً ضد مجموعة متنوعة من التشوهات. رموزنا متوفرة على https://github.com/MinghuiChen43/CIL-ReID.