本研究探讨了可见光-红外人员再识别的多种方法，提出了基于批量归一化的交叉模态神经架构搜索（CM-NAS）和无监督匹配框架，显著提升了跨模态匹配性能。通过模态统一网络和多内存匹配框架，解决了模态差异和类内变异问题，实验结果在多个数据集上优于现有方法。

本研究提出了多种新方法以改善可见光-红外行人再识别（Re-ID）性能，包括跨模态特征学习、无监督匹配框架和参数优化策略。实验结果表明，这些方法在标准数据集上优于现有技术，显著提高了识别准确性。