Due to the extensive use of convolution and down-sampling modules in CNN architectures, models based on this structure inevitably suffer from image information loss during computation, adversely affecting the performance of corresponding computer vision tasks. This paper investigates some semi-supervised person ReID (re-identification) me thods, and proposes a model fine-tuning approach named FNDF-T-ReID for filtering non-discriminative features based on a pre-trained transformer ReID model. The method of semantic part classification in the self-supervised training phase combines ratio filtering and K-means clustering algorithm, making the training process more robust and flexible. In the supervised training phase, the model training tokens incorporate the camera labels of each image, mitigating the impact of image style differences from different cameras on the identification of pedestrians in the images. To further enhance the model's adaptability to target domain images, dataset extension methods are used to optimize the model training process. Finally, the model is trained on multiple person ReID datasets and evaluated using metrics of mAP and Rank-1, Experimental results demonstrate that the proposed method maintains high stability during training and outperforms baseline models on several metrics, achieving state-of-the-art performance.

Contrastive unsupervised representation learning (CURL) is a technique that seeks to learn feature sets from unlabeled data. It has found widespread and successful application in unsupervised feature learning, with the design of positive and negative pairs serving as the type of data samples. While CURL has seen empirical successes in recent years, there is still room for improvement in terms of the pair data generation process. This includes tasks such as combining and re-filtering samples, or implementing transformations among positive/negative pairs. We refer to this as the sample selection process. In this article, we introduce an optimized pair-data sample selection method for CURL. This method efficiently ensures that the two types of sampled data (similar pair and dissimilar pair) do not belong to the same class. We provide a theoretical analysis to demonstrate why our proposed method enhances learning performance by analyzing its error probability. Furthermore, we extend our proof into PAC-Bayes generalization to illustrate how our method tightens the bounds provided in previous literature. Our numerical experiments on text/image datasets show that our method achieves competitive accuracy with good generalization bounds.

To address the challenge of chiral recognition in terms of efficiency and generality, we propose a novel fluorescence sensing approach by rationally designing metal-ion-responsive chiral molecular tweezers. The flexible and adaptable molecular tweezers enable facile recognition of 31 structurally varied chiral primary amine compounds, including amino acids, amino acid esters, and chiral amines. Notably, upon stimulation by zinc ions, the chiral molecular tweezers demonstrate a higher enantioselective fluorescence response. Combined density functional theory calculations reveal that the chiral sensing mechanism relies on differential reaction rates and potential hydrogen-bonding interactions between the two enantiomers and the chiral receptor, which results in one of the enantiomers forming a more abundant, stable, and structurally rigid complex with the receptor, resulting in a significant increase in the fluorescence intensity and enantioselectivity. The stimuli-responsive molecular tweezers approach provides a novel strategy for precise stereocontrol and universality of chiral recognition, offering a promising tool for applications in various fields.