序列生成范式下的行人属性识别：基于生成式模型的创新方法

本文提出创新性序列生成框架SequencePAR，突破传统行人属性识别（PAR）多标签分类范式，采用Transformer解码器整合视觉特征与文本提示（text prompts），通过掩码多头注意力（masked multi-head attention）实现属性序列的联合概率建模。实验在PETA数据集实现84.92%准确率，有效解决数据不平衡（imbalanced data）和噪声标注（noisy samples）问题，为智能监控（intelligent video monitoring）和自动驾驶（autonomous driving）提供新思路。

　　

Highlight

本文突破传统行人属性识别（PAR）的判别式模型框架，首次提出基于序列生成（sequence generation）的SequencePAR方法。通过CLIP视觉编码器提取特征，结合文本提示（text prompts）构建属性查询令牌（query tokens），利用掩码Transformer解码器（masked Transformer decoder）实现属性间条件概率建模，显著提升对长尾属性（tail attributes）和噪声样本的鲁棒性。

Related Works

现有PAR方法主要依赖卷积神经网络（CNN）或图神经网络（GNN），但多标签分类框架难以捕捉属性间语义关联（如"裙子→女性"的强相关性）。相较之下，生成式模型（generative models）通过序列联合概率P(A₁,A₂,...,A_N)动态建模属性依赖关系，为PAR研究开辟新路径。

Methodology

SequencePAR核心包含：1）视觉-文本双模态编码，将属性短语嵌入为查询令牌；2）掩码解码器层（masked decoding），通过自回归生成（autoregressive generation）实现属性预测的语义纠偏（如纠正"短袖+裙子→男性"的错误标注）；3）贪心搜索（greedy search）推理机制。

Experiments

在PETA等基准测试中，SequencePAR以90.46% F1-score超越现有技术（state-of-the-art）。可视化分析显示，模型能自主挖掘属性间隐含关联（如"背包→站立姿态"），验证生成式框架在复杂场景下的优越性。

Conclusion and Future Works

本研究将PAR重构为序列生成任务，未来可探索：1）大规模预训练语言模型（LLM）的迁移应用；2）多模态提示（multimodal prompts）优化；3）动态属性集扩展机制。代码已开源（https://github.com/Event-AHU/OpenPAR）。