In diesem Brief schlagen wir ein konzeptuell einfaches und effektives Dual-Granularitäts-Triplettenverlustmodell für die sichtbare-infrarote Personenerkennung (VT-ReID) vor. Im Allgemeinen werden ReID-Modelle stets mit einem auf Stichproben basierenden Triplettenverlust und einer Identifikationsverlustfunktion auf der feinen Granularitätsebene trainiert. Es ist möglich, einen zentrumsbasierten Verlust einzuführen, um die Kompaktheit innerhalb der Klassen und die Unterscheidbarkeit zwischen den Klassen auf der groben Granularitätsebene zu fördern. Unser vorgeschlagenes Dual-Granularitäts-Triplettenverlustmodell ordnet den auf Stichproben basierenden Triplettenverlust und den zentrumsbasierten Triplettenverlust in einer hierarchischen Weise von fein zu grob, wobei lediglich einige einfache Konfigurationen typischer Operationen wie Pooling und Batch-Normalisierung erforderlich sind. Experimente mit den Datensätzen RegDB und SYSU-MM01 zeigen, dass unser Dual-Granularitäts-Triplettenverlustmodell allein durch die Verwendung globaler Merkmale die Leistung der VT-ReID erheblich verbessern kann. Es kann als robuste VT-ReID-Basislinie dienen, um zukünftige Forschungen mit hoher Qualität zu unterstützen.