面向异构行人重识别的跨模态信息瓶颈表示学习

基于摘要分析。本文研究可见光—红外行人重识别（VI-ReID），提出互信息与模态共识网络 CMInfoNet，旨在减少身份无关信息冗余，并兼顾不同模态的信息互补，而非仅将两种模态映射到共享特征空间。 核心机制是优化互信息瓶颈权衡，使表示保留更多身份相关信息、压缩无关部分；同时引入自动搜索策略，寻找具有身份辨识力的行人区域。模态共识模块用于对齐可见光与红外模态、缓解跨模态及模态内变化，并结合全局—局部特征表示辨别关键部位。摘要未给出互信息估计方式、损失形式、搜索空间及各模块的训练细节。 作者报告 CMInfoNet 在所列基准上有效，列举了 SYSU-MM01、RegDB、Occluded-DukeMTMC、Occluded-REID、Partial-REID 和 Partial_iLIDS；但原文称“四个基准”却列出六个名称，数量及任务分组需核对。摘要未提供指标数值、数据划分或对照结果，尚不能量化其相对收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：信息瓶颈与模态共识可能对应多模态 EEG 研究中任务信息保留和模态差异控制的问题，但原方法依赖行人身份监督与图像空间部位结构，不能直接等同于神经信号方法。若迁移，需将身份目标改为神经解码任务目标，将部位搜索改为适合通道—时间结构的选择模块；低信噪比、小数据及跨被试差异可能使压缩过程误删有效信号。一个可检验的小实验是在配对 EEG 与另一模态的数据上固定编码器及被试划分，比较基础融合、加入信息瓶颈、再加入模态共识的表现。该迁移尚无本材料中的直接证据，已有 EEG 相关工作尚未检索确认。