PulseAugur
中
实时 17:05:37
English(EN) AttriBE: Quantifying Attribute Expressivity in Body Embeddings for Recognition and Identification

AttriBE论文量化了ReID身体嵌入中的属性表达能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为AttriBE的新框架，用于量化在用于行人重识别（ReID）系统中的身体嵌入中特定属性的编码程度。该方法使用一个辅助神经网络来测量学习到的特征与性别、姿态和BMI等属性之间的互信息。他们对基于Transformer的ReID模型的分析显示，BMI在更深层中始终是表达能力最强的属性，其次是俯仰角、性别和偏航角，其表达能力在训练过程中和不同网络深度中都会发生变化。该研究还扩展到跨光谱识别，显示在连接红外模态时，对俯仰角和BMI等结构性线索的依赖性增加。 AI

影响 引入了一种分析ReID模型中属性编码的新方法，通过理解隐性偏差，有可能提高公平性和泛化能力。

排序理由 这是一篇研究论文，详细介绍了一个新框架以及对行人重识别身体嵌入中属性表达能力的分析。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AttriBE论文量化了ReID身体嵌入中的属性表达能力

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Basudha Pal, Siyuan Huang, Anirudh Nanduri, Zhaoyang Wang, Rama Chellappa ·

    AttriBE: Quantifying Attribute Expressivity in Body Embeddings for Recognition and Identification

    arXiv:2604.27218v1 Announce Type: new Abstract: Person re-identification (ReID) systems that match individuals across images or video frames are essential in many real-world applications. However, existing methods are often influenced by attributes such as gender, pose, and body …

相关实体

相关话题