Coarse Attribute Prediction with Task Agnostic Distillation for Real World Clothes Changing ReID

📄 arXiv: 2505.12580v2 📥 PDF

作者: Priyank Pathak, Yogesh S Rawat

分类: cs.CV

发布日期: 2025-05-19 (更新: 2025-11-03)

备注: The 36th British Machine Vision Conference (BMVC)

💡 一句话要点

提出RLQ框架以解决低质量图像下的服装变化重识别问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 服装变化重识别 低质量图像 粗略属性预测 任务无关蒸馏 深度学习 特征表示 自监督学习

📋 核心要点

  1. 现有的服装变化重识别方法在低质量图像上表现不佳，导致特征聚类困难和匹配错误。
  2. 本文提出的RLQ框架结合粗略属性预测和任务无关蒸馏，旨在提高模型对低质量图像的鲁棒性。
  3. 实验结果表明，RLQ在多个真实世界数据集上均显著提升了识别准确率，尤其在PRCC数据集上表现尤为突出。

📝 摘要（中文）

本研究聚焦于现实世界中的服装变化重识别（CC-ReID）。现有方法在高质量图像上表现良好，但在低质量图像（如像素化、模糊等）中效果不佳，导致特征聚类困难，匹配错误。我们提出了一种新颖的框架——抗低质量鲁棒性（RLQ），通过粗略属性预测（CAP）和任务无关蒸馏（TAD）交替进行训练，提升模型在真实数据上的表现。CAP通过粗略预测丰富模型的外部细粒度属性，减少噪声影响；而TAD则通过任务无关的自监督和蒸馏，增强模型的内部特征表示。RLQ在LaST和DeepChange等真实世界数据集上提升了1.6%-2.9%的Top-1准确率，在PRCC上更是提升了5.3%-6%。

🔬 方法详解

问题定义：本研究旨在解决低质量图像下的服装变化重识别（CC-ReID）问题。现有方法在高质量图像上表现良好，但在低质量图像中，由于像素化、模糊等噪声影响，导致特征聚类困难，匹配错误频发。

核心思路：论文提出的抗低质量鲁棒性（RLQ）框架，通过交替使用粗略属性预测（CAP）和任务无关蒸馏（TAD），旨在增强模型对低质量图像的鲁棒性。CAP通过粗略预测引入外部细粒度属性，降低噪声影响；而TAD则通过自监督学习和蒸馏技术，提升模型的内部特征表示。

技术框架：RLQ框架主要包含两个模块：粗略属性预测（CAP）和任务无关蒸馏（TAD）。在训练过程中，这两个模块交替进行，CAP负责提取外部属性信息，而TAD则通过自监督学习增强特征表示。

关键创新：RLQ框架的创新之处在于结合了粗略属性预测和任务无关蒸馏，形成了一种新的训练机制，显著提升了模型在低质量图像上的表现。这种设计与现有方法的单一特征提取或蒸馏方法有本质区别。

关键设计：在模型设计中，采用了特定的损失函数来平衡CAP和TAD的训练效果，同时在网络结构上进行了优化，以适应低质量图像特征的提取和表示。

📊 实验亮点

实验结果显示，RLQ框架在LaST和DeepChange等真实世界数据集上提升了1.6%-2.9%的Top-1准确率，在PRCC数据集上更是实现了5.3%-6%的显著提升，展现出强大的鲁棒性和有效性。

🎯 应用场景

该研究的潜在应用领域包括智能监控、服装零售和社交媒体等场景，能够有效提升在复杂环境下的服装识别能力。随着技术的进步，RLQ框架有望在实际应用中提供更高的识别准确率，推动相关领域的发展。

📄 摘要（原文）

This work focuses on Clothes Changing Re-IDentification (CC-ReID) for the real world. Existing works perform well with high-quality (HQ) images, but struggle with low-quality (LQ) where we can have artifacts like pixelation, out-of-focus blur, and motion blur. These artifacts introduce noise to not only external biometric attributes (e.g. pose, body shape, etc.) but also corrupt the model's internal feature representation. Models usually cluster LQ image features together, making it difficult to distinguish between them, leading to incorrect matches. We propose a novel framework Robustness against Low-Quality (RLQ) to improve CC-ReID model on real-world data. RLQ relies on Coarse Attributes Prediction (CAP) and Task Agnostic Distillation (TAD) operating in alternate steps in a novel training mechanism. CAP enriches the model with external fine-grained attributes via coarse predictions, thereby reducing the effect of noisy inputs. On the other hand, TAD enhances the model's internal feature representation by bridging the gap between HQ and LQ features, via an external dataset through task-agnostic self-supervision and distillation. RLQ outperforms the existing approaches by 1.6%-2.9% Top-1 on real-world datasets like LaST, and DeepChange, while showing consistent improvement of 5.3%-6% Top-1 on PRCC with competitive performance on LTCC. The code will be made public soon.