长江信息通信杂志

摘要：针对自然语言驱动的行人重识别的跨模态检索性能问题,对文本、图像特征提取及跨模态融合进行了研究。文本端基于BERT预训练模型,结合属性解析与注意力机制捕捉行人外观属性;图像端以ViT为架构,通过局部分割与人体关键点引导注意力优化细粒度特征;跨模态融合采用三阶段策略缩小模态差异。实验表明,在CUHK-PEDES、ICFG-PEDES数据集上,相对基线Rank-1和mAP均得到提升,且从M1、M2到M3再到完整方案M4,性能成阶梯式递增,验证了改进模块的协同有效性与方法在不同复杂度数据集上的稳定适配性。

关键词： 自然语言驱动;行人重识别;跨模态融合;视觉特征提取;文本特征提取;

DOI： 10.20153/j.issn.2096-9759.2026.05.009

专辑： 信息科技

专题： 计算机软件及计算机应用

分类号： TP391.41;TP391.1