摘要
在安全关键应用中部署人员再识别（ReID）模型时，理解该模型对各种图像损坏的鲁棒性至关重要。然而，目前对人员ReID的评估仅考虑其在干净数据集上的性能，而忽略了不同损坏场景下的图像。在这项工作中，我们全面建立了六个ReID基准，用于学习抗损坏表示。在ReID领域，我们首次对单模态和跨模态数据集中的抗损坏学习进行了详尽研究，涉及的数据集包括Market-1501、CUHK03、MSMT17、RegDB和SYSU-MM01。在重现并检验了21种最近的ReID方法的鲁棒性性能后，我们得出了一些观察结果：1）基于变压器（Transformer）的模型相比基于卷积神经网络（CNN）的模型对损坏图像具有更强的鲁棒性；2）增加随机擦除（一种常用的增强方法）的概率会损害模型的抗损坏鲁棒性；3）随着抗损坏鲁棒性的提高，跨数据集泛化能力也会增强。通过分析上述观察结果，我们在单模态和跨模态ReID数据集上提出了一种强大的基线方法，该方法在面对多种损坏时表现出更好的鲁棒性。我们的代码已发布在 https://github.com/MinghuiChen43/CIL-ReID。