Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.00506

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.00506 (cs)
[提交于 2025年7月1日 ]

标题: SCING:通过选择性跨模态提示微调实现更高效和鲁棒的人体再识别

标题: SCING:Towards More Efficient and Robust Person Re-Identification through Selective Cross-modal Prompt Tuning

Authors:Yunfei Xie, Yuxuan Cheng, Juncheng Wu, Haoyu Zhang, Yuyin Zhou, Shoudong Han
摘要: 最近在将像CLIP这样的视觉-语言预训练模型适应于人员重识别(ReID)任务方面的进展,通常依赖于复杂的适配器设计或模态特定的调整,而忽视了跨模态交互,导致计算成本高或对齐效果不佳。 为了解决这些限制,我们提出了一种简单但有效的框架,名为选择性跨模态提示调优(SCING),该框架增强了跨模态对齐能力和对现实世界扰动的鲁棒性。 我们的方法引入了两个关键创新:首先,我们提出了选择性视觉提示融合(SVIP),这是一个轻量级模块,通过跨模态门控机制动态地将区分性视觉特征注入文本提示中。 此外,所提出的扰动驱动一致性对齐(PDCA)是一种双路径训练策略,通过正则化原始和增强的跨模态嵌入之间的一致性,在随机图像扰动下强制不变特征对齐。 在几个流行的基准测试上进行了广泛的实验,包括Market1501、DukeMTMC-ReID、Occluded-Duke、Occluded-REID和P-DukeMTMC,结果表明了所提方法的出色性能。 值得注意的是,我们的框架消除了重型适配器,同时保持了高效的推理,实现了性能与计算开销之间的最佳平衡。 代码将在接受后发布。
摘要: Recent advancements in adapting vision-language pre-training models like CLIP for person re-identification (ReID) tasks often rely on complex adapter design or modality-specific tuning while neglecting cross-modal interaction, leading to high computational costs or suboptimal alignment. To address these limitations, we propose a simple yet effective framework named Selective Cross-modal Prompt Tuning (SCING) that enhances cross-modal alignment and robustness against real-world perturbations. Our method introduces two key innovations: Firstly, we proposed Selective Visual Prompt Fusion (SVIP), a lightweight module that dynamically injects discriminative visual features into text prompts via a cross-modal gating mechanism. Moreover, the proposed Perturbation-Driven Consistency Alignment (PDCA) is a dual-path training strategy that enforces invariant feature alignment under random image perturbations by regularizing consistency between original and augmented cross-modal embeddings. Extensive experiments are conducted on several popular benchmarks covering Market1501, DukeMTMC-ReID, Occluded-Duke, Occluded-REID, and P-DukeMTMC, which demonstrate the impressive performance of the proposed method. Notably, our framework eliminates heavy adapters while maintaining efficient inference, achieving an optimal trade-off between performance and computational overhead. The code will be released upon acceptance.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.00506 [cs.CV]
  (或者 arXiv:2507.00506v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.00506
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Yunfei Xie [查看电子邮件]
[v1] 星期二, 2025 年 7 月 1 日 07:21:31 UTC (1,821 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号