Un Benchmark Culturellement Conscient pour la Réidentification de Personnes en Tenue Modeste
La Reconnaissance de Personnes (ReID) est une tâche fondamentale en vision par ordinateur avec des applications cruciales dans la surveillance et la sécurité. Malgré les progrès réalisés ces dernières années, la plupart des modèles ReID existants ont souvent du mal à généraliser dans des contextes culturels variés, en particulier dans les régions islamiques comme l'Iran, où les styles vestimentaires modestes sont courants. Les jeux de données actuels mettent principalement en avant la mode occidentale et asiatique de l'Est, limitant ainsi leur pertinence dans ces environnements. Pour combler cette lacune, nous présentons le jeu de données Iran University of Science and Technology Person Re-Identification (IUST_PersonReId), conçu pour refléter les défis uniques de la ReID dans de nouveaux contextes culturels, en mettant l'accent sur les vêtements modestes et divers scénarios iraniens, notamment des marchés, des campus universitaires et des mosquées.Les expérimentations menées sur IUST_PersonReId avec des modèles d'avant-garde tels que Semantic Controllable Self-supervised Learning (SOLIDER) et Contrastive Language-Image Pretraining Re-Identification (CLIP-ReID) révèlent une baisse significative des performances par rapport aux références comme Market1501 et Multi-Scene MultiTime (MSMT17). Plus précisément, SOLIDER montre une diminution de 50,75 % et 23,01 % du Mean Average Precision (mAP) par rapport à Market1501 et MSMT17 respectivement, tandis que CLIP-ReID présente une baisse de 38,09 % et 21,74 % du mAP. Ces résultats soulignent les défis posés par l'occlusion et le manque de caractéristiques distinctives.Les évaluations basées sur les séquences montrent des améliorations grâce à l'utilisation du contexte temporel, mettant en lumière le potentiel du jeu de données pour développer des systèmes ReID plus sensibles aux cultures et plus robustes. IUST_PersonReId offre une ressource critique pour aborder la question de l'équité et du biais dans la recherche ReID à l'échelle mondiale.