可见光-红外行人重识别的身份线索细化与增强

可见光-红外行人重识别（VI-ReID）是一项具有挑战性的跨模态匹配任务，由于显著的模态差异而困难重重。虽然当前方法主要关注通过统一嵌入空间学习模态不变特征，但它们通常只关注跨模态的共同判别语义，而忽视了模态特定的身份感知知识在判别特征学习中的关键作用。为了弥补这一差距，我们提出了一种新的身份线索细化与增强（ICRE）网络，用于挖掘和利用模态特定属性中固有的隐式判别知识。最初，我们设计了一个多感知特征细化（MPFR）模块，聚合来自共享分支的浅层特征，旨在捕获容易被忽视的模态特定属性。然后，我们提出语义蒸馏级联增强（SDCE）模块，从聚合的浅层特征中蒸馏身份感知知识，并指导模态不变特征的学习。最后，提出身份线索引导（ICG）损失，以减轻增强特征中的模态差异，并促进多样化表示空间的学习。在多个公开数据集上的广泛实验清楚地表明，所提出的 ICRE 优于现有的最先进方法。