HOSS-ReID

新的DSMCL框架通过学习双空间一致性来增强跨模态重识别

研究人员推出了一种新颖的框架——双空间模态一致性学习（DSMCL），旨在增强通用跨模态重识别。该方法通过联合考虑图像数据的空间域和频域方面，解决了现有方法的局限性。DSMCL旨在通过对齐空间特征和通过对比学习规范化高频表示，来改善不同成像模态（如可见光和红外）之间一致性表示的学习。该框架设计为即插即用，能够与各种跨模态重识别架构集成，并在多个数据集和评估协议中展示出一致的性能提升。