尝试更硬：针对换衣服人员重识别的硬样本生成与学习
计算机视觉与模式识别
2025-07-16 v1
摘要
硬样本在人员重识别（ReID）任务中提出重大挑战，尤其是在换衣服人员重识别（CC-ReID）中。由于其固有的模糊性或相似性，以及缺乏明确定义，硬样本成为 fundamental 瓶颈。这些问题不仅限制了针对性学习策略的设计，也削弱了模型在换衣服或视角变化下的鲁棒性。本文提出一种新型多模态引导的硬样本生成与学习（HSGL）框架，是首个在统一范式中明确定义、生成和优化硬样本的努力。HSGL由两个核心组件构成：（1）双粒度硬样本生成（DGHSG），利用多模态线索合成语义上一致的样本，包括粗粒度和细粒度的硬正样本和硬负样本，以有效增加训练数据的难度和多样性。（2）硬样本自适应学习（HSAL），引入难度感知优化策略，根据文本语义标签调整特征距离，鼓励硬正样本分离，将硬负样本拉近嵌入空间，以增强模型的判别能力和对硬样本的鲁棒性。在多个CC-ReID基准上进行大量实验，证明了我们方法的有效性，突显了多模态引导的硬样本生成与学习在稳健CC-ReID中的潜力。值得注意的是，HSAL显著加快了针对性学习过程的收敛，在PRCC和LTCC数据集上实现了最先进的性能。代码可在https://github.com/undooo/TryHarder-ACMMM25上获取。
引用
@article{arxiv.2507.11119,
title = {Try Harder: Hard Sample Generation and Learning for Clothes-Changing Person Re-ID},
author = {Hankun Liu and Yujian Zhao and Guanglin Niu},
journal= {arXiv preprint arXiv:2507.11119},
year = {2025}
}