基于任务无关蒸馏的粗粒度属性预测用于现实世界换装行人重识别
计算机视觉与模式识别
2025-11-04 v2
摘要
本工作聚焦于现实世界下的换装行人重识别 (CC-ReID)。现有方法在高质量 (HQ) 图像上表现良好，但在低质量 (LQ) 图像上则难以应对，这些图像可能包含像素化、焦外模糊和运动模糊等人工因素。这些人工因素不仅引入噪声，影响外部生物特征（如姿态、身形等），还会损坏模型的内部特征表示。模型通常会将 LQ 图像的特征聚类在一起，导致难以在它们之间进行区分，从而产生错误匹配。我们提出了一种新框架 Robust against Low-Quality (RLQ)，以提高 CC-ReID 模型在真实数据集上的性能。RLQ 通过粗粒度属性预测 (CAP) 和任务无关蒸馏 (TAD) 交替进行工作。CAP 通过粗略预测来丰富模型的外部细粒度属性，从而减少噪声输入的影响。另一方面，TAD 通过任务无关的自监督和蒸馏，弥合 HQ 与 LQ 特征之间的差距，从而增强模型的内部特征表示。RLQ 在 LaST 和 DeepChange 等真实数据集上将 Top-1 提升 1.6%-2.9%，在 PRCC 上实现 5.3%-6% 的持续性提升，同时在 LTCC 上表现具有竞争力。*代码将很快公开。*
引用
@article{arxiv.2505.12580,
title = {Coarse Attribute Prediction with Task Agnostic Distillation for Real World Clothes Changing ReID},
author = {Priyank Pathak and Yogesh S Rawat},
journal= {arXiv preprint arXiv:2505.12580},
year = {2025}
}
备注
The 36th British Machine Vision Conference (BMVC)