本文提出了一种解决多摄像头网络中人员重新识别的主要挑战之一，即跨视图外观变化的方法，提出了多特征表示的方法，利用不同核的 KCCA 来学习多个投影空间，在这些空间中最大化了来自不同相机观察到的同一人员样本之间的外观相关性，并最终使用迭代逻辑回归来选择和加权每个特征投影的贡献，并执行两个视图间的匹配。实验评估表明，所提出的解决方案在 VIPeR 和 PRID450s 数据集上获得了可比较的性能，并且相比于现有技术在 PRID 和 CUHK01 数据集上得到了改进。

Jul, 2016

本文将人员再识别作为图像搜索问题，并通过设计一种无监督的词袋表示法，将图像搜索技术整合到人员再识别中。同时，贡献了一个新的高质量数据集，在三个数据集上得到了与最先进方法相当的竞争结果。

Feb, 2015

该论文提出了一种新的基于核方法的跨视图协作表示分类算法 (Kernel X-CRC)，针对人员再识别中小样本问题，利用训练集中的个体来对探针和库样本进行编码，实验结果表明该算法在四个重要的人员再识别数据集上都取得了优异的性能表现。

Nov, 2016

我们提出了一种新的人员再识别方法，使用图像和自然语言描述的联合视觉和语言模型，相比属性和 LSTM，使用自然语言描述和 CNN 可以显著提高标准 Re-ID 基准测试的性能。

Oct, 2017

提出 Local Maximal Occurrence（LOMO）特征表示和 Cross-view Quadratic Discriminant Analysis（XQDA）子空间及度量学习方法，通过对局部特征的水平出现进行分析并最大化它来稳定地表示特征，同时处理照明和视角变化以及学习鉴别度量来进行人物重识别，实验表明提出的方法在四个数据集上显著提高了状态的最高识别率。

Jun, 2014

该论文提出了一种应对分布式多摄像头监控系统中人员再识别任务的新方法，通过建立统一的深度排名框架来解决特征工程和评价设计的问题，并提出了一种有效的深度卷积神经网络来解决相似度得分的相关性，在 VIPeR, CUHK-01 和 CAVIAR4REID 数据集上比传统方法和基于 CNN 的方法表现显著优于所有最先进方法，具有更好的泛化能力。

May, 2015

本研究提出了一种新颖的特征学习框架，通过利用密集对应的交叉模态人物图像，像素级地抑制与模态相关的特征，从而更有效地促进交叉模态本地特征的判别式特征学习，从而解决了可见 - 红外人物重识别的问题。

Aug, 2021

本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

Mar, 2018

本文提出了一种有效的结构化学习方法来解决个人重新识别问题，在大多数经过评估的基准数据集上性能优于当前最先进的方法。该方法基于多个低级手工制作和高级视觉特征，并制定了两种优化算法，直接优化常用于个人重新识别的评估措施，也称为累积匹配特性（CMC）曲线，并在实际中具有重要意义的范围内将重新识别性能集中起来。这些因素的结合导致了一个个人重新识别系统，可优于大多数现有算法。更重要的是，我们将基准测试的 rank-1 识别率从 40％提高到 50％、从 16％提高到 18％、从 43％提高到 46％、从 34％提高到 53％、从 21％提高到 62％。

Mar, 2015

本文提出了一种名为 VCFL 的最新的 Person Re-ID across cameras 的可训练框架，该框架通过利用视图混淆学习机制来学习视图不变的特征，并结合了视图通用性和视图特定性的方法，并利用诸如分类器和特征中心等技术来实现视图混淆。

Oct, 2019