論文の概要: Learning Discriminative Prototypes via Boundary Repulsion MixUp for Object Re-Identification

• arxiv url: http://arxiv.org/abs/2610.34305v1
• Date: Sun, 25 Oct 2026 14:16:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.576397
• Title: Learning Discriminative Prototypes via Boundary Repulsion MixUp for Object Re-Identification
• Title（参考訳）: 物体再同定のための境界反発混合による識別的プロトタイプの学習
• Abstract要約: PBR-ReIDは、このクラス間の幾何学を明示的な学習ターゲットとするプロトタイプベースのフレームワークである。 我々は、標準のMixUpの弱点を識別信号に変換する幾何対応の正規化器であるBundary Repulsion MixUpを構築した。 人体と車体のReIDベンチマークの実験は、強いパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 3.1485041255193784
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Object re-identification requires embeddings that are robust to intra-class variation in viewpoint, illumination, and occlusion, yet preserve sharp separation between visually similar identities. The hardest errors arise precisely where confusable identities meet, a region that pairwise losses shape only implicitly. We present PBR-ReID, a prototype-based framework that makes this inter-class geometry an explicit learning target. Each identity is represented by a learnable prototype jointly optimized with a DiNOv3 backbone and the resulting prototype similarity matrix reveals, at every training step, which identities are most confusable. On this signal we build Boundary Repulsion MixUp (BRM), a geometry-aware regularizer that converts standard MixUp's weakness into a discriminative signal. Rather than interpolating samples across confusable identities, which blurs the boundaries that matter most, BRM constructs an explicit boundary proxy between each confusable pair and repels their features away from it, converting boundary ambiguity into a discriminative signal. We adopt a two-stage training protocol consisting of a prototype warmup phase followed by EMA-stabilized joint fine-tuning. Extensive experiments on person and vehicle ReID benchmarks demonstrate strong performance, with thorough ablations confirming each component's contribution. Code is available at https://github.com/psaltaath/pbr-reid.
• Abstract（参考訳）: オブジェクトの再識別には、視点、照明、閉塞のクラス内の変動に対して堅牢な埋め込みが必要であるが、視覚的に類似したアイデンティティ間の鋭い分離は維持される。 最も難しいエラーは、紛らわしいアイデンティティが一致し、ペアが失われる領域は暗黙的にのみ形成される。 本稿では,このクラス間幾何学を明示的な学習対象とするプロトタイプベースのフレームワークであるPBR-ReIDを提案する。 それぞれのアイデンティティは、DiNOv3バックボーンで共同最適化された学習可能なプロトタイプによって表現され、結果として得られるプロトタイプの類似性行列は、トレーニングの各ステップにおいて最も不都合なIDを示す。 この信号に基づいて、標準のMixUpの弱点を識別信号に変換する幾何対応の正規化器であるBundary Repulsion MixUp(BRM)を構築する。 BRMは、最も重要な境界を曖昧にしている不定値のサンプルを補間する代わりに、各不定値ペア間の明示的な境界プロキシを構築し、それらの特徴をそれから離れ、境界の曖昧さを識別信号に変換する。 試作したウォームアップフェーズとEMA安定化ジョイントファインチューニングを組み合わせた2段階のトレーニングプロトコルを採用する。 人および車両のReIDベンチマークに関する大規模な実験は、各コンポーネントの貢献を徹底的に確認しながら、強いパフォーマンスを示す。 コードはhttps://github.com/psaltaath/pbr-reid.comから入手できる。

関連論文リスト

• Semantic Modality Compensation for Unsupervised Visible-Infrared Person Re-identification under Unpaired Settings [5.822080383967553]
  未経験学習では、モダリティ間の同一性対応はしばしば不完全である。 モーダルスタイルからアイデンティティ意味を分離するプロンプト合成に基づくフレームワークを提案する。 SMCは一貫して最先端の手法を上回っている。
  論文  参考訳（メタデータ） (2026-09-28T04:40:10Z)
• Beyond ICA: Identifiability by Symmetry Breaking [0.15229257192293197]
  我々は,PWAデコーダとガウス混合モデル(GMM)を用いた深部生成モデル(DGM)の識別可能性を証明する。 対称性の破れに対する3つの代数的コントラスト原理を導入する。 結果は階層構造を形成する: 法的な識別可能性 (LID; Latent distribution to a global affine map) から、地図の識別可能性 (MID; decoder up to the same map) から、後方および地点の識別可能性 (custual identifiability) まで。
  論文  参考訳（メタデータ） (2026-07-25T12:27:10Z)
• BoRAD: Bootstrap your Own Representations for Multi-class Anomaly Detection [0.0]
  レコンストラクションに基づく異常検出は, 産業検査には魅力的だが, カテゴリー別訓練から1対1設定までスケールアップすることは困難である。 ラベルのないトレーニングフレームワークである textbfBoRAD を提案し,これを表現能力割当問題として扱う。
  論文  参考訳（メタデータ） (2026-06-12T05:29:25Z)
• DPM++: Dynamic Masked Metric Learning for Occluded Person Re-identification [32.9985650634494]
  DPM++は、排除された人物の再識別のための動的マスクドメトリックラーニングフレームワークである。 入力適応マスク付きメトリックを学習し、隠蔽されたインスタンスごとに信頼性の高いIDサブスペースを動的に選択する。 全体的なシナリオと排他的シナリオの両方において、従来の最先端の手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-07T17:47:23Z)
• Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
  顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。 トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-28T09:28:12Z)
• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• Exploring Homogeneous and Heterogeneous Consistent Label Associations for Unsupervised Visible-Infrared Person ReID [57.500045584556794]
  均質かつ不均一なインスタンスレベルの構造を同時に説明できるModality-Unified Label Transfer (MULT) モジュールを導入する。 提案したMULTは、生成した擬似ラベルがモダリティ間の整合性を維持しつつ、モダリティ内の構造的整合性を維持することを保証する。 実験の結果,提案手法は既存のUSL-VI-ReID法よりも優れていた。
  論文  参考訳（メタデータ） (2024-02-01T15:33:17Z)

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。