计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月2日
]
标题: ViTA-PAR:基于属性提示的视觉和文本属性对齐用于行人属性识别
标题: ViTA-PAR: Visual and Textual Attribute Alignment with Attribute Prompting for Pedestrian Attribute Recognition
摘要: 行人属性识别(PAR)任务旨在识别个体的各种详细属性,如服装、配饰和性别。 为了提高PAR性能,模型必须捕获从粗粒度的全局属性(例如,用于识别性别)到可能出现在不同区域的细粒度局部细节(例如,用于识别配饰)的特征。 最近的研究表明,人体部位表示可以增强模型的鲁棒性和准确性,但这些方法通常局限于固定水平区域内的属性类别,导致当属性出现在变化或意想不到的身体位置时,性能会下降。 本文提出了一种名为ViTA-PAR(基于属性提示的视觉与文本属性对齐用于行人属性识别)的方法,通过专门的多模态提示和视觉-语言对齐来增强属性识别。 我们引入了捕捉全局到局部语义的视觉属性提示,从而实现多样化的属性表示。 为了丰富文本嵌入,我们设计了一个可学习的提示模板,称为人物和属性上下文提示,以学习人物和属性上下文。 最后,我们将视觉和文本属性特征对齐以实现有效融合。 ViTA-PAR在四个PAR基准上进行了验证,实现了高效的推理和具有竞争力的性能。 我们的代码和模型可在https://github.com/mlnjeongpark/ViTA-PAR获取。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.