既存のViTベースのクロスモーダル歩行者再識別手法に存在する注意ノイズの干渉、精緻な空間関係のモデリング不足、および計算冗長性の問題に対して、本論文では多機構融合強化型クロスモーダル歩行者再識別手法を提案する。本手法はViTを基準モデルとして用い、多次元特徴融合戦略により表現力を向上させる。まず、差分注意（DAM）モジュールを導入し、2組の並列注意マップの差異を計算することで、背景に高頻度で出現する共通ノイズを効果的に抑制し、モデルの歩行者主体領域への注目度を著しく向上させる。次に、階層的漸進的関係認識モジュール（RAM）を設計し、局所から全局へと適応的に空間関係をモデリングし、遮蔽や姿勢変化の処理時に空間構造情報が失われやすいViTの制約を効果的に克服する。最後に、十字交差ウィンドウ自己注意（CSWA）機構を融合し、特徴マップを水平および垂直の帯域に分割して並列自己注意計算を行い、計算複雑度を線形レベルにまで低減しつつ、長距離の全局依存を効率的に捉える。実験結果は、MSMT17データセットにおいてmAPおよびRank-1がそれぞれ68.1％、86.3％に達し、Occluded-DukeデータセットではmAPおよびRank-1がそれぞれ5.5％、6.3％向上し、Market-1501およびDukeMTMC-reIDデータセットでも従来のViTを上回る検索性能を達成したことを示している。総合的な結果は、本手法が従来のViTモデルが歩行者再識別タスクで直面する特徴の分散および空間情報の損失問題を効果的に解決し、遮蔽や複雑な背景下におけるモデルの頑健性と汎化能力を著しく強化することを示している。

歩行者再識別;クロスモーダル;ViT;DAM;CSWA;RAM