ChatReID：基于层次化渐进调优的面向视觉语言模型的开放式交互式人物检索
计算机视觉与模式识别
2025-06-03 v3
摘要
人物重识别（Re-ID）是计算机视觉中的关键任务，旨在实现跨非重叠摄像头视角的人识别。虽然最新的先进视觉语言模型（VLM）在逻辑推理和多任务泛化方面表现出色，但其在 Re-ID 任务中的应用仍有限。它们要么难以基于身份相关特征进行准确匹配，要么仅作为辅助语义帮助图像主导分支。在本文中，我们提出了一种新框架 ChatReID，通过将注意力转向文本侧主导的检索范式，实现灵活且交互式的重识别。为将语言模型的推理能力集成到 Re-ID 流程中，我们首先构建了一个大规模指令数据集，包含超过 800 万条提示以促进模型微调。随后，我们引入层次化渐进调优策略，通过三个阶段的调优实现 Re-ID 能力，即从人物属性理解、细粒度图像检索到多模态任务推理。跨十个流行基准的大量实验表明，ChatReID 超越了现有方法，在所有 Re-ID 任务中均实现了最佳性能。更多实验表明，ChatReID 不仅能够识别细粒度细节，还能将其整合到连贯的推理过程中。
引用
@article{arxiv.2502.19958,
title = {ChatReID: Open-ended Interactive Person Retrieval via Hierarchical Progressive Tuning for Vision Language Models},
author = {Ke Niu and Haiyang Yu and Mengyang Zhao and Teng Fu and Siyang Yi and Wei Lu and Bin Li and Xuelin Qian and Xiangyang Xue},
journal= {arXiv preprint arXiv:2502.19958},
year = {2025}
}