文本-图像多视角混合行人检索基准数据集研究
Abstract
目的文本-图像的行人检索任务（text-to-image person retrieval， TIPR）利用自然语言描述从监控图像库中定位目标行人，是智慧城市与智能安防中的关键技术。随着无人机成像技术的发展，“空-地协同”多视角监控成为主流趋势，但目前TIPR研究主要聚焦地面视角，缺乏同时涵盖空中与地面视角的基准数据集，制约了其在多视角协同监控场景中的应用。因此，本文旨在构建一个包含空中与地面视角的混合多视角行人检索基准数据集，以推动多视角TIPR的研究。方法为此，本文构建了文本-图像的空中-地面多视角混合行人检索数据集（aerial-ground mixed-view person retrieval dataset， AGMix-PR）。该数据集通过采集多源数据库中的空中与地面视角行人图像，真实反映了实际应用场景中的挑战。为支持大规模高质量文本标注，本文进一步提出一种属性引导的层次化文本生成框架：利用结构化属性作为高层引导信号驱动多模态大语言模型生成准确且多样化的自然语言描述，确保了低成本条件下的高质量文本输出。结果实验结果表明，现有主流TIPR方法在AGMix-PR上整体性能显著下降，反映出多视角场景带来的挑战。结论AGMix-PR数据集有效弥补了当前TIPR领域在空–地多视角混合场景下基准数据集的不足，其构建方法为经济高效地创建多模态数据集提供了新思路。该数据集为相关研究提供了一个重要的基准平台，有助于推动鲁棒行人检索理论与方法的发展，适应真实复杂场景的需求。AGMix-PR数据集的在线发布地址为：https：//github.com/barry-wy/AGMix_PR。
Fields of Study & Subjects
Video Surveillance and Tracking Methods
Advanced Image and Video Retrieval Techniques
Image Retrieval and Classification Techniques
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 0
- Issue
- 0
- Pages
- 1–16
- Publication date
- 1 January 2026
- Language
- EN