当性别难以辨识时：远程识别的多属性支持
计算机视觉与模式识别
2025-12-09 v1 人工智能
摘要
从极远距离图像中准确识别性别仍然是一个具有挑战性的问题，原因在于有限的空间分辨率、视角变化以及面部线索的缺失。为此，我们提出了一种双路径Transformer框架，利用CLIP联合建模视觉线索和属性驱动线索以进行远程性别识别。该框架整合了两个互补的流：（1）一条直接视觉路径，通过选择性微调预训练CLIP图像编码器的上层来优化它；（2）一条属性介导路径，通过一组在CLIP文本-图像空间中对齐的软生物特征提示（如发型、衣物、配饰）推断性别。空间通道注意力模块进一步增强了在遮挡和低分辨率条件下的判别性定位。为支持大规模评估，我们构建了U-DetAGReID，一个从DetReIDx和AG-ReID.v2派生的统一远程性别数据集，在一致的三元标注方案（男性、女性、未知）下进行了协调。大量实验表明，所提出的方法在多个指标（macro-F1、准确率、AUC）上超越了最先进的人体属性和重识别基线，并对距离、角度和高度变化具有一致的鲁棒性。定性注意力可视化证实了可解释的属性定位和负责任的弃权行为。我们的结果表明，语言引导的双路径学习为无约束远程场景中的负责任性别识别提供了一个原则性的、可扩展的基础。
引用
@article{arxiv.2512.06426,
title = {When Gender is Hard to See: Multi-Attribute Support for Long-Range Recognition},
author = {Nzakiese Mbongo and Kailash A. Hambarde and Hugo Proença},
journal= {arXiv preprint arXiv:2512.06426},
year = {2025}
}
备注
12 pages, 9 figures