本网讯（人工智能学院）针对多光谱车辆重识别中，不同模态、视角和身份的异质性导致的跨模态差异问题，我校郑爱华副教授团队构建了一个高质量的多光谱车辆数据集，提出了一个新颖的跨方向一致性网络，通过约束模态中心距离和样本中心距离的方式克服模态与样本差异性，并提出自适应层归一化进一步缓解模态差异，提升多光谱车辆重识别性能。该方法克服了多光谱车辆重识别的模态差异和类内差异，优化了多模态特征分布，从而达到更好的多光谱车辆重识别性能；并且相比现有工作贡献了一个更大规模的高质量数据集。
该研究工作以“Cross-directional Consistency Network with Adaptive Layer Normalization for Multi-spectral Vehicle Re-identification and A High-quality Benchmark”为题被信息融合领域的顶级国际学术期刊Information Fusion（影响因子17.564）接收，安徽大学为第一通讯单位，我校人工智能学院郑爱华副教授为第一作者、李成龙教授为通讯作者。