Fursee: Hybrid YOLO-DINOv3 Framework for Fursuit Identity Retrieval and Clustering

📄 arXiv: 2606.22872v1 📥 PDF

作者: Jundi Wu

分类: cs.CV

发布日期: 2026-06-22

💡 一句话要点

提出Fursee框架以解决复杂毛皮服装身份检索与聚类问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 毛皮服装 身份检索 聚类 YOLO DINOv3 ArcFace DBSCAN 计算机视觉

📋 核心要点

  1. 现有的多模态模型未能针对复杂的毛皮服装场景进行优化，导致身份检索和聚类效率低下。
  2. 本文提出Fursee框架，通过YOLO、ArcFace和DBSCAN三阶段处理，专门针对毛皮服装图像进行身份检索与聚类。
  3. 实验结果显示，Fursee在毛皮服装头部检索和分组任务中，性能超越了包括GPT5.5在内的多种主流模型。

📝 摘要（中文）

全球毛皮文化大会产生大量毛皮服装照片，手动分类成本高昂，亟需自动化身份检索与聚类解决方案。现有多模态模型未针对复杂毛皮服装场景进行专门优化，且缺乏公开基准数据集。为填补这一空白，本文构建了一个专门的毛皮服装图像数据集，并提出了Fursee三阶段混合管道用于身份检索与聚类。首先，YOLO检测并裁剪高分辨率毛皮服装头部图像，以提高小型和重叠目标的定位精度。其次，ArcFace优化DINOv3嵌入，增大特征超球面上不同身份之间的角度分离。最后，DBSCAN进行无监督聚类，采用轮廓系数驱动的搜索自动选择最佳超参数，而非固定的手动半径。实验结果表明，Fursee在所有评估指标上均优于主流多模态模型，如GPT5.5、Claude Opus 4.8和Qwen3.7-Plus，展现出在毛皮服装头部检索和分组方面的竞争力。

🔬 方法详解

问题定义：本文旨在解决毛皮服装身份检索与聚类中的高劳动成本和现有方法的不足，尤其是在复杂场景下的定位和分类问题。

核心思路：Fursee框架通过三阶段处理，结合YOLO、ArcFace和DBSCAN，优化了毛皮服装图像的检索与聚类过程，提升了小目标的检测精度和身份区分能力。

技术框架：整体流程分为三个主要模块：第一阶段使用YOLO进行高分辨率毛皮服装头部图像的检测与裁剪；第二阶段利用ArcFace优化DINOv3嵌入，增强身份特征的角度分离；第三阶段采用DBSCAN进行无监督聚类，自动选择最佳超参数。

关键创新：Fursee的创新在于其专门针对毛皮服装图像的处理流程，尤其是通过ArcFace优化特征嵌入，显著提高了不同身份之间的可分性，这是现有方法所不具备的。

关键设计：在YOLO阶段，采用高分辨率图像以提高小目标的检测精度；在ArcFace阶段，设计了特定的损失函数以增强特征的角度分离；DBSCAN阶段则通过轮廓系数驱动的搜索策略，自动调整聚类参数，避免了手动设置的局限性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Fursee在毛皮服装头部检索和分组任务中，性能显著优于主流多模态模型，包括GPT5.5、Claude Opus 4.8和Qwen3.7-Plus，所有评估指标均显示出竞争力，具体提升幅度未知。

🎯 应用场景

Fursee框架在毛皮文化领域具有广泛的应用潜力，能够有效支持毛皮服装的自动化检索与聚类，降低人工成本。此外，该方法也可推广至其他需要图像身份识别与聚类的领域，如社交媒体图像管理和活动监控等。

📄 摘要（原文）

Global furry conventions produce massive fursuit photographs, while manual sorting brings heavy labor costs and calls for automatic identity retrieval and clustering solutions. General multimodal models lack dedicated optimization for complex fursuit scenes, and no public benchmark dataset exists for this task. To fill this gap, we build a specialized fursuit image dataset and present a three-stage hybrid pipeline Fursee for fursuit identity retrieval and clustering. First, YOLO detects and crops high-resolution fursuit head patches to improve localization of small and overlapping targets. Second, ArcFace optimizes DINOv3 embeddings to enlarge angular separation between different identities on the feature hypersphere. Third, DBSCAN performs unsupervised clustering, with silhouette-coefficient-driven search automatically selecting optimal hyperparameters rather than fixed manual radius. Retrieval and clustering experiments verify that our pipeline outperforms mainstream multimodal models including GPT5.5, Claude Opus 4.8 and Qwen3.7-Plus on all evaluation metrics, achieving competitive performance for fursuit head retrieval and grouping.