跳到正文
arXiv · NLP· Xinyu Zhou, Fan Li, Shasha Chen, Min Cao, Ahtamjan Ahmat, Qiaoming Zhu, Mang Ye·· 7 天前AI 评分28

ViSeLA 通过视觉接地的语义对齐实现可扩展的多语言文本行人检索

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

AI 导读

提出 ViSeLA 框架及首个大规模行人多语言预训练数据集 MultiPedes,包含 1000 万个图像文本对。 ViSeLA 结合语义感知的 MoE 模块与视觉接地跨模态对齐模块,避免英语中心偏差。 该方法在多个数据集上验证了有效性,论文已被 ACM MM 2026 接收。

来源:arXiv · NLP · arxiv.org