可见-红外重识别性能提升
将Transformer的分层全局建模与CNN的局部特征提取相结合, 同时引入空间一致性损失和低光增强模块, 有效应对跨模态差异和低光照挑战, 在多个基准数据集上取得领先结果。
Suixin, Liang · Lu, Jian · 张凯兵 · Xiaogai, Chen
IEEE Internet of Things Journal 2024
通过分层嵌入CNN的Transformer架构，在不同尺度上同时提取行人局部与全局信息，弥补单一网络类型的不足。
引入空间一致性损失，引导网络探索并判别跨模态行人的空间结构，对齐潜在空间语义信息。
首次在低光VI-ReID任务中使用低光增强模块，恢复低光图像中被遮蔽的细节信息，提升复杂背景下的特征学习鲁棒性。