arXiv cs.AI· Timur Mamedov, Karina Kvanchiani, Anton Konushin, Vadim Konushin·· 2 天前AI 评分22
ReText：用文本提升基于图像的行人重识别泛化能力
ReText: Text Boosts Generalization in Image-Based Person Re-identification
AI 导读
ReText 通过微调 VLM 为多摄像头数据集补充文本描述，并以文本监督训练，在跨域行人重识别基准上显著超越 SOTA。该方法联合优化 Re-ID、图文匹配和文本引导的图像重建三项任务，并采用单摄像头数据训练策略，同时利用其附带的文本标注。扩展后的数据集与 VLM 权重已公开，成果被 WACV 2027 接收。
正文 · AI 翻译
摘要：可泛化的基于图像的行人重识别（Re-ID）旨在无需重新训练的情况下，在未见域中跨摄像头识别个体。虽然视觉特征对域偏移敏感，但自然语言描述在不同域之间保持一致，不受光照变化和其他偏差的影响。由于知名的多摄像头数据集缺乏文本描述，我们通过微调的视觉语言模型（VLM）为其添加了说明文字。我们提出了 ReText，一种通过文本监督训练的新方法，用语义线索丰富视觉特征。此外，受近期研究发现的启发——将单摄像头数据纳入训练可提升泛化能力——我们也采用了这一策略。然而，与这些先前工作不同，我们不仅利用视觉信息，还利用了这些样本自然附带的文本标注。最后，在训练过程中，ReText 联合优化三个任务：（1）Re-ID，（2）图像-文本匹配，（3）文本引导的图像重建。实验表明，ReText 实现了强大的泛化能力，并在跨域 Re-ID 基准上显著优于最先进的方法。扩展的多摄像头数据集和 VLM 权重已在 此 https URL 公开。
| 评论： | 已被 WACV 2027 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2602.05785 [cs.CV] |
| （或 arXiv:2602.05785v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.05785 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Timur Mamedov [查看电子邮件]
[v1]
2026年2月5日星期四 15:43:31 UTC（1,373 KB）
[v2]
2026年10月15日星期四 09:12:09 UTC（13,670 KB）
来源：arXiv cs.AI · arxiv.org