身份条件分数融合：按图库个体校准开放集行人识别

强大的人员重新识别通常结合面部、步态和体形等互补线索。虽然自适应融合通常以查询质量为目标，但模型强度也因身份而异。我们引入了身份条件分数融合，这是一个框架，可以在没有 训练 的情况下为每个画廊身份定制权重。通过将身份内一致性与跨身份冒名顶替者进行对比，它提取特定于身份的配置文件，并通过参数-free 规则与查询条件适应相结合。这扩大了真假匹配之间的差距，同时保留分数校准。对三个换衣服的人重新识别基准的评估表明，我们的方法始终优于统计、基于排名和学习的基线，将错误未识别率绝对降低了 8.8%，并证明了身份条件融合在开放集人重新识别中的价值。