跨模态识别更强
通过混洗元学习和记忆元学习分别捕获全局相似性和长期依赖，缓解跨模态差异导致的行人身份混淆。
Wu, Hanxiao · Yutao, Chen · Xie, Yi · 朱建清 · Liu, Liu
Neural Networks 2025
SML 在每个训练周期构造不同的查询和支持集，使模型接触更丰富的数据组合，提高泛化能力。
MML 利用存储在记忆库中的历史信息学习长期依赖，增强跨模态身份判别能力。
SML 与 MML 的结合不仅提高了数据利用率，还使模型学习到全面的全局元度量，在两个基准数据集上超越多个现有最先进方法。