Учить дискриминирующие прототипы с помощью пограничной смеси для переидентификация объекта
arXiv: 261 030.34305v1 Тип уведомления: новое резюме: повторное обозначение объекта требует встраивания, которые являются надежными для внутриклассовых изменений зрения, освещения и оккультирования, но при этом сохраняют четкое разделение между визуально похожими личностями. Самые серьезные ошибки возникают именно в тех случаях, когда пересекаются неразборчивые идентифицируемые данные - регион, который попарно формирует потери лишь имплицитно. Мы представляем PBR-RID, прототипную систему, которая делает эту межклассовую геометрию явной целью обучения. Каждая идентичность представлена обучаемым прототипом, совместно оптимизированным с позвоночником DiNOv3, и получаемая в результате прототипная матрица сходства показывает на каждом тренировочном этапе, какие особенности являются наиболее разборчивыми. По этому сигналу мы построим MixUp (BRM) — географически-заповедной регулярности, которая преобразует слабость стандартного Mixup в дискриминационный сигнал. Вместо интерполяции образцов по неразборчивым идентификаторам, которые размывают границы, имеющие наибольшее значение, БРМ создает явно определенный маркер границы b
