本研究提出了一种新颖的注意力驱动多分支网络，可以同时从全身和局部图像中学习鲁棒且有辨别力的人体表征，以优化人员重新识别的效果。

Oct, 2018

本文提出了一种新的模型，可以从含有噪声 / 不完整人员图像序列中自动选择最具差别性的视频片段，从而可以计算可靠的时空和外观特征，同时学习用于人员重识别的视频排名功能。

Jan, 2016

本文提出了一种基于深度学习的 Attention Framework of Person Body (AFPB) 方法，其中包括自动生成人体遮挡的 Occlusion Simulator (OS) 和多任务损失，旨在解决在人群密集的公共场所中遭遇的遮挡问题，该新问题称为遮挡人物重新识别问题，实验表明该方法优于现有的三个基准方法。

Apr, 2018

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

该研究提出了一种基于深度信息的人物重识别方法，利用深度数据提取人体骨架和形状特征，进而提出了一种具有旋转不变性的 Eigen-depth 特征描述符，并通过基于核技术的隐式特征转换方法在缺少深度数据时估算特征。实验结果表明，该方法可以在改善外观特征因光照和相似服饰引起的视觉混淆问题上取得较好的效果。

Mar, 2017

本文提出了基于动力学特征的人物再识别方法，包括采集人体运动轨迹（tracklets）并进行 Fisher 向量编码等方法，通过实验证明了该方法在监控应用中的优越性。

Apr, 2016

提出了一种名为 Pose-Guided Feature Learning with Knowledge Distillation（PGFL-KD）的网络，使用姿态信息规范学习，以获得语义一致的特征表示，以解决遮挡人物再识别的问题，其中姿态信息只用于训练而不参与测试，经过遮挡、部分和全身人物再识别等多项实验表明，该网络具有较高的效果。

Jul, 2021

我们在研究中引入了一种名为 PAB-ReID 的新框架，该框架采用部分注意机制来有效解决背景干扰和低质量本地特征表示等问题，通过引入人体分割标签来生成更准确的人体部分注意力图，提出了一种细粒度特征聚焦器，以生成精细的人体局部特征表示，并抑制背景干扰，同时设计了部分三元损失来监督人体局部特征的学习，优化了类内 / 类间距离，大量实验证明我们的方法胜过现有的最先进方法。

Apr, 2024

本文通过属性 - based 方法进行人物再识别，探讨了高精度专家属性与普通人属性的差异及影响，发现非专家属性更能反映当前使用属性 - based 方法进行人物再识别的情况。

Jan, 2020

论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法，可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像，成功地在 CUHK01，CUHK03 和 Market 1501 数据集上超越了现有的先进方法。

Jul, 2017