FM-ReID：用于对象重新识别的选择性竞争词元路由

对象重新识别（ReID）面临着一个反复出现的挑战：不同的身份可以共享高度相似的全局外观，而区分它们的线索是局部的、异构的，并且仅在特定的视角下可见。这一挑战在动物重识别中通过标记、轮廓和疤痕出现，在人重识别中通过微妙的衣服和配饰线索出现，在车辆重识别中通过局部外观细节出现。尽管视觉基础模型将此类信息编码为密集标记，但单个整体描述符可能会掩盖有区别的局部信号。我们提出了 FM-ReID，这是一种端到端框架，它将局部表示学习制定为选择性竞争性词元路由。其竞争性细粒度挖矿模块使用多个挖掘查询和一个残差查询来竞争密集的 DINOv3 词元。上述优先选择保留优先分配给每个挖掘查询的词元，而剩余槽接收从检索描述符中排除的词元。生成的多查询描述符与用于检索的整体表示联合训练，没有固定的空间分区或等面积约束。 FM-ReID 在动物、人和车辆 ReID 基准上取得了出色的成果，支持竞争性词元路由作为增强整体基础模型表示的有效方法。