論文の概要: Rethinking Multi-Branch and Cross-Backbone Fusion for Vehicle Re-Identification in the Foundation-Model Era

• arxiv url: http://arxiv.org/abs/2607.22068v1
• Date: Fri, 24 Jul 2026 08:10:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.078992
• Title: Rethinking Multi-Branch and Cross-Backbone Fusion for Vehicle Re-Identification in the Foundation-Model Era
• Title（参考訳）: ファンデーションモデルにおける車両再同定のためのマルチブランチ・クロスバックボーン核融合の再考
• Abstract要約: マルチブランチアーキテクチャとCNNトランスフォーマー融合は、車種再識別(Re-ID)を改善する効果的な方法として長年検討されてきた。 調整されたレシピで訓練された単一のDINOv3-pretrained ConvNeXtは、VeRi-Wild Smallで88.19 mAP、VeRi-Wild Largeで77.47 mAPを達成する。 さらに、非対称凍結アンカー戦略を用いて、ConvNeXtとVision Transformer表現を組み合わせたクロスバックボーン融合について検討する。
• 参考スコア（独自算出の注目度）: 22.36803510099264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-branch architectures and CNN-Transformer fusion have long been regarded as effective ways to improve vehicle re-identification (Re-ID) by combining complementary representations. In this work, we revisit this assumption in the foundation-model era through a comprehensive empirical study. A single DINOv3-pretrained ConvNeXt trained with a tuned recipe achieves 88.19 mAP on VeRi-Wild Small and 77.47 mAP on VeRi-Wild Large using visual cues alone, matching the strongest protocol-verified metadata-dependent multi-branch baseline. Applying training-free re-ranking further improves performance to 92.38 and 83.68 mAP, respectively. Using this strong baseline together with retrieval-level branch diagnostics, we evaluate whether increasing representational diversity still provides measurable gains. Across both benchmarks, concatenating multiple branches built on a shared backbone changes the best single-branch performance by less than one mAP point while increasing the embedding dimension by 4x, and the resulting representation has an effective rank close to the original feature dimension. We further study cross-backbone fusion using an asymmetric frozen-anchor strategy to combine ConvNeXt and Vision Transformer representations. Despite these favorable conditions, Transformer branches consistently remain 13-15 mAP below the ConvNeXt backbone, and paired per-query bootstrap analysis estimates the largest observed fusion gain to be only +0.11 mAP (95% confidence interval). Our results suggest that, under the evaluated setting, improving a single strong foundation-model backbone together with retrieval-stage re-ranking is more effective than increasing architectural complexity through additional branches or heterogeneous backbones. We restrict our conclusions to single-seed training and one family of foundation models and discuss conditions under which these observations may not hold.
• Abstract（参考訳）: マルチブランチアーキテクチャとCNNトランスフォーマー融合は、相補的な表現を組み合わせることで車両再識別(Re-ID)を改善する効果的な方法として長年検討されてきた。 本研究では,基礎モデル時代におけるこの仮定を包括的実証研究を通じて再考する。 A single DINOv3-pretrained ConvNeXt training with a tuned recipe that achieve 88.19 mAP on VeRi-Wild Small and 77.47 mAP on VeRi-Wild Large using visual cues alone, matching the most protocol-verified metadata-dependent multi-branch baseline。 トレーニングなしのリランクを適用すれば、それぞれ92.38mAPと83.68mAPのパフォーマンスが向上する。 この強力なベースラインと検索レベルの分岐診断を用いて、表現の多様性の増大が依然として測定可能な利益をもたらすかどうかを評価する。 両方のベンチマークで、共有バックボーン上に構築された複数のブランチを連結すると、最高のシングルブランチ性能が1mAPポイント未満で変化し、埋め込み次元は4倍に増加し、結果として得られる表現は元の特徴次元に近い効果的なランクを持つ。 さらに、非対称凍結アンカー戦略を用いて、ConvNeXtとVision Transformer表現を組み合わせたクロスバックボーン融合について検討する。 これらの良好な条件にもかかわらず、Transformerブランチは一貫してConvNeXtのバックボーンの下13～15 mAPに留まり、ペアリングされたクエリごとのブートストラップ分析では、最大の核融合利得は+0.11 mAP(95%の信頼区間)と見積もられている。 以上の結果から,単一の基盤モデルバックボーンの改良と検索段階の再ランク付けは,追加のブランチや異種バックボーンによるアーキテクチャ上の複雑さの増加よりも効果的であることが示唆された。 我々は,本研究の結論を,単系統訓練と基礎モデルの1家系に限定し,これらの観察が達成できない状況について議論する。

関連論文リスト

• Mitigating Strong-Modality Collapse in Multimodal Learning via Inverted Asymmetric Fusion [0.0]
  モーダル間の相互の注意を強制しない逆非対称核融合を提案する。 テキスト優位データセット (MultiHuSE, UR-FUNNY) と音声視覚優位データセット (MUStARD) の3つの指標を用いてIAFを評価する。
  論文  参考訳（メタデータ） (2026-08-27T09:39:09Z)
• Low Variance Trust Region Optimization with Independent Actors and Sequential Updates in Cooperative Multi-agent Reinforcement Learning [5.8010446129208155]
  逐次更新における有利な変動の上限を制御するためのクリッピング目的を導入する。 クリッピング目的を用いた2つの新しい実用的なアルゴリズムを導出する。 提案手法は,安定収束特性と所望の低利得分散推定の両方で強調される。
  論文  参考訳（メタデータ） (2026-06-24T08:05:11Z)
• Multimodal Evaluator Preference Collapse: Cross-Modal Contagion in Self-Evolving Agents [1.0152838128195467]
  EPC(Evaluator Preference Collapse)はマルチモーダル環境で劇的に増幅されていることを示す。 次に、クロスモーダル感染と呼ばれる新しい現象を示す。 我々は、モデル間評価器アーキテクチャを優先ドリフトの主なリスク要因とみなす。
  論文  参考訳（メタデータ） (2026-06-15T13:18:20Z)
• MM-Doc-R1: Training Agents for Long Document Visual Question Answering through Multi-turn Reinforcement Learning [74.07254720088926]
  長文の視覚的質問応答に対処するために,エージェント型視覚認識ワークフローを利用する新しいフレームワークMM-Doc-R1を紹介する。 GRPOのような既存のマルチターン強化学習(RL)アルゴリズムにおけるベースライン推定バイアスに対処する、類似性に基づくポリシー最適化(SPO)を提案する。 MMLongbench-Docベンチマークの実験では、MM-Doc-R1が以前のベースラインを10.4%上回る結果となった。
  論文  参考訳（メタデータ） (2026-04-15T07:39:08Z)
• BayesRAG: Probabilistic Mutual Evidence Corroboration for Multimodal Retrieval-Augmented Generation [33.53566598271416]
  BayesRAGはベイズ推定とデンプスター・シェーファーのエビデンス理論に基づく新しいマルチモーダル検索フレームワークである。 我々は,BayesRAGがマルチモーダルベンチマークにおいて,最先端(SOTA)手法を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2026-01-12T08:53:14Z)
• VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
  本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。 VAPOは最先端のスコアが$mathbf60.4$に達する。 同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
  論文  参考訳（メタデータ） (2025-04-07T14:21:11Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• SiReRAG: Indexing Similar and Related Information for Multihop Reasoning [96.60045548116584]
  SiReRAGは、類似情報と関連する情報の両方を明示的に考慮する新しいRAGインデックス方式である。 SiReRAGは、3つのマルチホップデータセットの最先端インデックス手法を一貫して上回る。
  論文  参考訳（メタデータ） (2024-12-09T04:56:43Z)
• An Empirical Study of Multimodal Model Merging [148.48412442848795]
  モデルマージは、異なるタスクでトレーニングされた複数のモデルを融合してマルチタスクソリューションを生成するテクニックである。 我々は、モダリティ固有のアーキテクチャのビジョン、言語、およびクロスモーダルトランスフォーマーをマージできる新しい目標に向けて研究を行っている。 本稿では,重み間の距離を推定し,マージ結果の指標となる2つの指標を提案する。
  論文  参考訳（メタデータ） (2023-04-28T15:43:21Z)
• Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
  画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。 一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。 本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-25T04:33:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。