https://arxiv.org/pdf/2408.05914

一.discriminative and robust model

        早期传统的reid的工作方式，因无法在大规模数据集上产生有竞争力的结果，所以本文中为相关工作，并未成为本文方法。

二.Dynamic Multimodal Feature Fusion Strategy

        提取文本特征为T = [T1, T2, T3, T4, T5] ，图片特征为 I  将其特征融合为K = [I, T1, T2, T3, T4, T5]，K 表示样本融合后的多模态特征。（ps：文本编码器模块，我们采用 BERT 模型。视觉特征提取器，采用 ResNet-50。）

三.Self-Attention Mechanism

        数据集中存在明显的图像和文本数据差异，这不可避免地对模型的性能产生负面影响。为了克服这个问题，创造性地引入了一种基于自我注意机制的多模态融合策略（Dynamic Multimodal Feature Fusion Strategy）。

        将图像与文本特征进行整合，值得注意的是，多模态融合组件由多个自注意力层组成，以完成多模态特征的融合。经过三个线性层后，这三个向量被输入到自我注意力模块中。

                                       

        其中 Q、K、V 分别表示 Query、Key 和 Value，d 表示输入向量的维度。

四.identification loss and triplet loss function（损失函数）

        可看往期文章。ResNet 学习

五.ResNet-50（backbone）

        本文主网络