一种基于噪声鲁棒提示学习框架的重识别模型训练方法及系统

本发明涉及重识别模型处理领域，公开了一种基于噪声鲁棒提示学习框架的重识别模型训练方法及系统，包括：基于预训练的CLIP模型生成全局视觉特征，基于样本邻域信息计算上下文视觉特征；通过可学习的映射网络转换为伪语言提示词构建自适应提示，整合成综合性文本嵌入；通过跨注意力模块优化提示，使用广义交叉熵损失与对称对比损失提升对噪声标签的鲁棒性；通过提示驱动的知识蒸馏，利用学习到的文本嵌入作为类别向量指导模型优化，并使学生模型输出与教师模型对齐；通过身份损失、三元组损失和知识蒸馏损失函数对重识别模型进行训练；本发明解决了现有的行人重识别模型在噪声标签下性能下降的问题，提升了噪声环境中的识别精度和鲁棒性。