本文介绍了一种多模态学习方法，称为 Dual Optimal Transport Label Assignment（DOTLA）框架，用于学习无标签跨模态数据集中的多模态特征。同时，本文还介绍了一种基于跨模态邻域一致性的标签完善和正规化模块，以提高模型的准确性。实验结果表明该方法优于现有的各种无监督和监督方法。

May, 2023

我们提出了一种渐进式对比学习多原型（PCLMP）方法，用于无监督的可见 - 红外人员再识别（USVI-ReID），通过引入硬原型、动态原型和渐进学习策略，该方法在多个数据集上验证了其有效性，超过了现有的最先进方法，并提供源代码。

Feb, 2024

无监督可见红外人员重新识别 (UVI-ReID) 是研究的重点，文章提出了一种新的无监督跨模态人员重新识别框架 (PRAISE)，通过修正伪标签和模态层对齐策略来提高性能，并在两个基准数据集上取得了最新的成果。

Apr, 2024

提出了一种用于可见 - 红外无监督人物再识别的多内存匹配框架，通过生成伪标签和建立不依赖于任何先前注释的多模态伪标签对应关系来解决该任务中的关键挑战。通过使用交叉模态聚类、多内存学习和匹配以及软聚类级对齐策略来改进现有方法的不足，提高了跨模态对应关系的可靠性和效果。

Jan, 2024

我们提出了一种新的无监督可见 - 红外人物识别方法，通过引入 Modality-Unified Label Transfer (MULT) 模块和 Online Cross-memory Label Refinement (OCLR) 模块，实现了高质量的跨模态标签关联，并在实验证明我们的方法优于现有的 USL-VI-ReID 方法。

Feb, 2024

该研究提出了一种针对不同模态的行人图像进行无监督匹配的学习框架，该框架主要包括基于双向聚类匹配的跨模态簇匹配算法、模态特定和模态不可知对比学习框架以及跨模态一致性约束，实验表明该方法明显优于现有方法。

May, 2023

本文提出了一个大规模预训练框架，采用在线多目标跟踪系统对现有未标记的 Re-ID 数据集 “LUPerson” 中的原始视频进行预处理，并通过三个学习模块联合学习，以簇类相似的样例到一个原型上并根据原型分配校正噪声标签，实现从头开始学习 SOTA Re-ID 表征，显著提高了性能。

Mar, 2022

本文提出了一种基于组件的伪标签细化框架，通过利用全局特征和部分特征之间的互补关系，设计了一个交叉一致性得分来减少标签噪音。通过对全局特征的伪标签进行部件特征预测的集成，进一步减轻了全局特征聚类中的噪声，通过标签平滑来应用伪标签的部分特征。由于交叉一致性得分提供了可靠的互补信息，我们的方法可以有效地减少噪声标签的影响，并学习具有丰富本地上下文的判别性表示。

Mar, 2022

该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法，通过内部相机特征分布和自适应学习得到更加可靠的伪标签，取得了优于当前最先进方法的结果。

Apr, 2023

本研究提出了一种新颖的特征学习框架，通过利用密集对应的交叉模态人物图像，像素级地抑制与模态相关的特征，从而更有效地促进交叉模态本地特征的判别式特征学习，从而解决了可见 - 红外人物重识别的问题。

Aug, 2021