2025 年人体重识别：监督、自监督与语言对齐。哪种方法有效？
计算机视觉与模式识别
2026-01-29 v1 人工智能
摘要
人体重识别 (ReID) 仍是计算机视觉中的一个具有挑战性的问题。本工作综述了各种训练范式，并评估了最新 ReID 模型在跨域应用中的鲁棒性，并考察了基础模型通过更丰富、更可迁移的视觉表征如何提高泛化能力。我们比较了三种训练范式：监督、自监督和语言对齐模型。通过研究旨在回答以下问题：监督模型在跨域场景中能否泛化？基础模型如 SigLIP2 对 ReID 任务如何表现？当前监督模型和基础模型在 ReID 任务中的局限性是什么？我们在 11 个模型和 9 个数据集上进行了分析。我们的结果显示出明显的分化：监督模型在其训练域占据主导地位，但在跨域数据上崩溃。然而，语言对齐模型显示出惊人的跨域鲁棒性，即使它们并未专门训练以完成此任务。代码和数据可在 https://github.com/moiiai-tech/object-reid-benchmark 获取。
引用
@article{arxiv.2601.20598,
title = {Person Re-ID in 2025: Supervised, Self-Supervised, and Language-Aligned. What Works?},
author = {Lakshman Balasubramanian},
journal= {arXiv preprint arXiv:2601.20598},
year = {2026}
}