論文の概要: InterPartAbility: Text-Guided Part Matching for Interpretable Person Re-Identification
- arxiv url: http://arxiv.org/abs/2604.27122v1
- Date: Wed, 29 Apr 2026 19:18:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-01 16:31:53.768829
- Title: InterPartAbility: Text-Guided Part Matching for Interpretable Person Re-Identification
- Title（参考訳）: InterPartability: 解釈可能な人物再同定のためのテキストガイド部分マッチング
- Authors: Shakeeb Murtaza, Aryan Shukla, Rajarshi Bhattacharya, Maguelonne Heritier, Eric Granger,
- Abstract要約: TI-ReIDは、画像の大きなギャラリーからトップマッチした個人を検索するために、自然言語によるテキスト記述に依存している。
既存のTI-ReIDの解釈可能性アプローチは、参加する領域をハイライトするためにスロットアテンションのみに依存している。
本稿では,部分的マッチングを明示する解釈可能なTI-ReID法であるInterPartを紹介する。
- 参考スコア（独自算出の注目度）: 15.419626926769595
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Text-to-image person re-identification (TI-ReID) relies on natural-language text description to retrieve top matching individuals from a large gallery of images. While recent large vision-language models (VLMs) achieve strong retrieval performance, their decisions remain largely uninterpretable. Existing interpretability approaches in TI-ReID rely solely on slot-attention to highlight attended regions, but fail to reliably bind visual regions to semantically meaningful concepts, limiting explanations to qualitative visualizations over a restricted vocabulary. This paper introduces InterPartAbility, an interpretable TI-ReID method that performs explicit part-wise matching and enables phrase-region grounding. A new open-vocabulary, lightweight supervision, patch-phrase interaction module (PPIM) is proposed to train a standard TI-ReID model with concept-level guidance. Concept-based part phrases provide evidence that encourages the model to attend to corresponding image regions. InterPartAbility further constrains CLIP ViT self-attention to produce spatially concentrated patch activations aligned with each part-level phrase, yielding grounded explanation maps. A quantitative interpretability protocol for TI-ReID is introduced by adapting perturbation-based evaluation metrics, including counterfactual region masking that measures retrieval degradation when top-ranked explanatory regions are removed. Empirical results\footnote{Our code is included in the supplementary materials and will be made public.} on challenging benchmarks like CUHK-PEDES and ICFG-PEDES show that InterPartAbility achieves state-of-the-art (SOTA) interpretability performance under these metrics, while sustaining competitive retrieval accuracy.
- Abstract（参考訳）: TI-ReID(Text-to-image person re-identification)は、画像の大きなギャラリーからトップマッチした個人を検索するために、自然言語によるテキスト記述に依存している。
近年の大規模視覚言語モデル(VLM)は高い検索性能を達成しているが、その決定はほとんど解釈不能である。
既存のTI-ReIDの解釈可能性アプローチはスロットアテンションにのみ依存しているが、視覚領域を意味論的に意味のある概念に確実に結び付けることができず、制限された語彙上の定性的な視覚化に制限される。
本稿では,解釈可能なTI-ReID方式であるInterPartAbilityについて述べる。
概念レベルのガイダンスを備えた標準TI-ReIDモデルをトレーニングするために,新しいオープンボキャブラリ,軽量監視,パッチフレーズインタラクションモジュール (PPIM) を提案する。
概念に基づくパートフレーズは、モデルが対応する画像領域に参加することを奨励するエビデンスを提供する。
InterPartAbilityはさらに、CLIP ViT自己アテンションを制約し、各部分レベルのフレーズに一致した空間集中型パッチアクティベーションを生成し、接地された説明マップを生成する。
TI-ReIDの定量的解釈可能性プロトコルは、上位説明領域を除去した際の検索劣化を測定する対物領域マスキングを含む摂動に基づく評価指標を適用して導入される。
Empirical results\footnote{Our code is included in the supplementary materials and will be public.
CUHK-PEDES や ICFG-PEDES のような挑戦的なベンチマークでは、InterPartAbility はこれらのメトリクスの下での最先端(SOTA)の解釈可能性のパフォーマンスを達成し、競争力のある検索精度を維持している。
関連論文リスト
- TCSA-UDA: Text-Driven Cross-Semantic Alignment for Unsupervised Domain Adaptation in Medical Image Segmentation [10.074858409073292]
視覚表現学習を支援するためのテキスト駆動型クロスセマンティックアライメントフレームワークを提案する。
我々のフレームワークはドメインシフトを大幅に減らし、最先端のUDAメソッドを一貫して上回ります。
論文 参考訳（メタデータ） (2025-11-08T00:56:52Z) - Rewrite Caption Semantics: Bridging Semantic Gaps for
Language-Supervised Semantic Segmentation [100.81837601210597]
本研究では,事前学習データにおける視覚的意味論とテキスト的意味論のギャップを埋めるための概念キュレーション(CoCu)を提案する。
CoCuは、最高にゼロショット転送性能を達成し、言語教師ありセグメンテーションベースラインを大きなマージンで大幅に向上させる。
論文 参考訳（メタデータ） (2023-09-24T00:05:39Z) - Fine-Grained Semantically Aligned Vision-Language Pre-Training [151.7372197904064]
大規模な視覚言語による事前学習は、幅広い下流タスクにおいて顕著な進歩を見せている。
既存の手法は主に、画像とテキストのグローバルな表現の類似性によって、モーダル間のアライメントをモデル化する。
ゲーム理論的相互作用の新たな視点から, 微粒なセマンティックアライメントを学習する, 微粒なセマンティックなvisiOn-langUage PrEトレーニングフレームワークであるLOを導入する。
論文 参考訳（メタデータ） (2022-08-04T07:51:48Z) - Vision-Language Pre-Training with Triple Contrastive Learning [45.80365827890119]
モーダル・インターモーダル・セルフ・スーパービジョンとクロスモーダル・イントラモーダル・セルフスーパービジョンの両方を活用することで、視覚言語事前学習のための三重コントラスト学習(TCL)を提案する。
マルチモーダル表現学習のための局所構造情報を考慮した最初の研究である。
論文 参考訳（メタデータ） (2022-02-21T17:54:57Z) - Towards Accurate Scene Text Recognition with Semantic Reasoning Networks [52.86058031919856]
本稿では,シーンテキスト認識のための意味推論ネットワーク(SRN)という,エンドツーエンドのトレーニング可能な新しいフレームワークを提案する。
GSRMはマルチウェイ並列伝送によってグローバルセマンティックコンテキストをキャプチャするために導入された。
正規テキスト,不規則テキスト,非ラテン語長文を含む7つの公開ベンチマークの結果,提案手法の有効性とロバスト性を検証した。
論文 参考訳（メタデータ） (2020-03-27T09:19:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。