摘要
本研究旨在将大规模预训练的视觉-语言模型（如对比语言-图像预训练模型CLIP）适配于各类监督设置下的目标重识别（Re-ID）任务，以提升其性能。尽管最近提出的CLIP-ReID方法通过提示学习（prompt learning）取得了令人瞩目的成果，但由于Re-ID任务中缺乏语义标签，提示学习的内在机制及其必要性仍不明确。本文首先系统分析了提示学习在CLIP-ReID中的作用，并揭示了其存在的局限性。基于上述研究发现，我们提出了一种简单而高效的方法，用于将CLIP适配至有监督的目标Re-ID任务。该方法直接通过原型对比学习（Prototypical Contrastive Learning, PCL）损失对CLIP的图像编码器进行微调，从而无需依赖提示学习。在行人与车辆Re-ID数据集上的实验结果表明，所提方法在性能上可与CLIP-ReID相媲美。此外，我们将基于PCL的CLIP微调策略进一步拓展至无监督场景，并在该设定下实现了当前最优的性能表现。