近日，我院卢健老师团队成员，2023级电子信息专业硕士研究生李进为第一作者的学术论文《DCRL: Degradation-Aware Cross-Modality Representation Learning for Visible-Infrared Person Re-Identification》成功获物联网领域国际权威期刊IEEE Internet of Things Journal（IoT-J，大类一区TOP，IF=8.9）接收。IEEE IoT-J是IEEE旗下物联网领域国际高水平学术期刊，主要刊载人工智能、计算机视觉、多模态感知、智能物联网系统等方向的前沿研究成果，在物联网与人工智能交叉研究领域具有较高的学术影响力。该成果的接收，进一步彰显了我校人工智能科创团队在人工智能与物联网交叉领域的持续科研实力和国际学术影响力。

在可见光-红外行人重识别中，现有方法多聚焦跨模态外观对齐而忽视感知退化下的特征鲁棒性，致使CNN共享静态卷积核累积的模态偏置与分布偏移、Transformer 全局语义与局部细节融合不足以及低光照退化对身份特征的削弱共同加剧跨模态匹配难度。针对上述问题，该论文提出退化感知跨模态表示学习框架 DCRL，采用“输入优化—特征适配—语义精炼”的层级化设计：输入阶段引入选择性低光照增强模块（Selective Low-Light Enhancement，SLE），仅对欠曝光可见光图像进行选择性增强，避免全量增强带来的额外分布偏移；编码阶段嵌入多维自适应卷积模块（Multi-Dimensional Adaptive Convolution，MDAC），从多维度动态调制卷积响应，抑制模态与退化带来的特征偏置；高层阶段设计全局—局部协同增强模块（Global-Local Collaborative Enhancement Block，GLCE），采用通道与空间协同的增强设计，兼顾全局身份一致性与局部细粒度判别性。

图1 DEEN基准模型与所提出的 DCRL 框架所学习特征表示的可视化对比

图2 DCRL方法整体架构

图3 LLCM数据集上基线模型与DCRL的部分部分Rank-10检索结果

该论文聚焦“模态差异与感知退化耦合”这一核心难题，把退化感知从输入阶段一直贯穿到高层语义精炼，形成了一套面向低光照与退化传感条件的跨模态身份表示学习方案，为物联网智能监控中的全天候行人重识别提供了新思路。

### 个人简介

1.李进，男，2023 级电子信息专业硕士研究生，研究方向为行人重识别。以第一作者在《Applied Soft Computing》发表论文1篇，被《IEEE Internet of Things Journal》接收论文1 篇。

2. 卢健，男，自动化专业教师，研究方向为三维点云表示学习、行人重识别、行为识别等。近5年，以第一/通讯作者发表SCI检索期刊论文35篇（其中，中科院TOP期刊论文15篇），人工智能领域顶级国际会议 AAAI 论文1篇，以第一作者在《控制理论与应用》和《控制与决策》上发表论文5篇，一篇入选中国科协“科技期刊双语传播工程”。