跳到正文
arXiv · 机器人与计算机视觉· Xinyu Zhou, Fan Li, Shasha Chen, Min Cao, Ahtamjan Ahmat, Qiaoming Zhu, Mang Ye·· 6 天前AI 评分35

ViSeLA 框架实现多语言文本驱动行人检索,MultiPedes 数据集开源

Vision-Grounded Semantic Learning and Alignment for Scalable Multilingual Text-Based Person Retrieval

AI 导读

MultiPedes 数据集包含四语千万级图文对,ViSeLA 通过语义感知学习与视觉 grounded 对齐消除英语中心偏差。实验在多语及单语任务上均优于现有方法,代码与数据已开放。论文被 ACM MM 2026 录用并发表口头报告。

来源:arXiv · 机器人与计算机视觉 · arxiv.org