摘要

人员重识别（ReID）是计算机视觉中的一个基本任务，在监控和安全领域具有重要的应用。尽管近年来取得了进展，但大多数现有的ReID模型在不同文化背景下往往难以泛化，特别是在伊朗等伊斯兰地区，那里普遍穿着保守的服装。现有的数据集主要包含西方和东亚的时尚风格，限制了其在这些环境中的适用性。为了解决这一问题，我们引入了伊朗科技大学人员重识别数据集（IUST_PersonReId），该数据集旨在反映在新的文化环境中进行ReID的独特挑战，特别强调保守着装和来自伊朗的多样化场景，包括市场、校园和清真寺。我们在IUST_PersonReId上使用最先进的模型进行了实验，如语义可控自监督学习（SOLIDER）和对比语言-图像预训练重识别（CLIP-ReID）。实验结果表明，与Market1501和多场景多时段（MSMT17）等基准数据集相比，这些模型的性能显著下降。具体而言，SOLIDER在Market1501上的平均精度均值（mAP）下降了50.75%，在MSMT17上下降了23.01%；而CLIP-ReID则分别下降了38.09%和21.74%的mAP。这突显了遮挡和有限的区分特征所带来的挑战。基于序列的评估显示，通过利用时间上下文可以提高性能，强调了该数据集在推进文化敏感且鲁棒的ReID系统方面的潜力。IUST_PersonReId为全球范围内解决ReID研究中的公平性和偏见问题提供了关键资源。