WRIM-Net：用于可见光-红外行人重识别的广域信息挖掘网络

对于可见光-红外行人重识别（VI-ReID）任务，主要挑战之一在于显著的模态差异。现有方法在挖掘模态不变信息方面存在不足，它们通常只关注挖掘空间或通道等单一维度的信息，而忽略了特定模态的多维信息提取。为了全面挖掘模态不变信息，我们引入了广域信息挖掘网络（WRIM-Net），主要由一个多维交互信息挖掘（MIIM）模块和一个基于辅助信息的对比学习（AICL）方法组成。借助所提出的全局区域交互（GRI），MIIM通过维度内交互全面挖掘非局部的空间和通道信息。此外，由于低计算复杂度的设计，独立的MIIM可以放置在网络的浅层，使网络能够更好地挖掘特定模态的多维信息。AICL通过引入新颖的跨模态关键实例对比（CMKIC）损失，有效引导网络提取模态不变信息。我们不仅在SYSU-MM01和RegDB数据集上进行了广泛实验，还在最新的跨模态大规模数据集LLCM上进行了验证。结果表明，WRIM-Net的性能优于最先进的方法。