Due to the extensive use of convolution and down-sampling modules in CNN architectures, models based on this structure inevitably suffer from image information loss during computation, adversely affecting the performance of corresponding computer vision tasks. This paper investigates some semi-supervised person ReID (re-identification) me thods, and proposes a model fine-tuning approach named FNDF-T-ReID for filtering non-discriminative features based on a pre-trained transformer ReID model. The method of semantic part classification in the self-supervised training phase combines ratio filtering and K-means clustering algorithm, making the training process more robust and flexible. In the supervised training phase, the model training tokens incorporate the camera labels of each image, mitigating the impact of image style differences from different cameras on the identification of pedestrians in the images. To further enhance the model's adaptability to target domain images, dataset extension methods are used to optimize the model training process. Finally, the model is trained on multiple person ReID datasets and evaluated using metrics of mAP and Rank-1, Experimental results demonstrate that the proposed method maintains high stability during training and outperforms baseline models on several metrics, achieving state-of-the-art performance.

Abstract Black carbon in snow (BCS) is a crucial parameter in Earth System modeling, as it influences global radiative balance. Here, simulated BCS from Coupled Model Intercomparison Project Phase 5 and 6 (CMIP5 and CMIP6) that provided BCS as a model output were evaluated. In comparison with global BCS observations, CMIP5/6 models successfully reproduced long‐term historical trends linked to human activities, but struggled capturing decadal variability caused by natural climate variability. CMIP6 models NorESM2‐MM, NorESM2‐LM, and TaiESM1 yielded the most accurate simulations of BCS concentration with modest overestimation of <50%, while the four CESM2 models underestimated concentrations by up to ∼80%. These errors effectively balanced for the CMIP6 multi‐model ensemble mean (MME), which had a relative error (RE) of −37%. However, the CMIP5 MME was less reliable due to extreme overestimation by up to 8,000% in the three MIROC models. The significant BCS concentration errors in the MIROC and CESM2 models were linked mainly to errors in handling of BC in snow processes. Conversely, marked improvements in NorESM, the only common to both CMIP5 and CMIP6, were due to improved simulation of black carbon deposition. BCS errors significantly impacted radiative forcing estimates, particularly at the poles, where model errors reached several thousandfold. CMIP6 exhibited superior results compared to CMIP5, achieving global MME RE of −33% in radiative forcing estimates. However, it's worth noting BCS output is currently limited, with only seven models available for each of CMIP5 and CMIP6 here. Additional models simulating BCS are desirable in the next CMIP generations.