为了在变化的测试环境中改进人物重识别（re-id）的性能，我们提出了一种针对 re-id 的全面测试时间自适应（TEMP）方法，该方法不需要对预训练进行任何修改。通过计算特征向量之间的相似性来衡量 re-id 的不确定性，并显示 re-id 熵可以衡量 re-id 的不确定性，TEMP 在分布随时间变化的在线环境中提高了 re-id 的性能。

Mar, 2024

本研究提出了一种新的两流空间 - 时间人物重新识别（st-ReID）框架，该框架挖掘了视觉语义信息和空间 - 时间信息，引入 Logistic Smoothing（LS）联合相似性度量，使用快速直方图 - Parzen（HP）方法近似复杂的空间 - 时间概率分布，消除了很多无关图像，在 Market-1501 和 DukeMTMC-reID 数据集上均取得了最好的准确性，进步幅度达到了先前方法的很大程度。

Dec, 2018

本文提出了一种基于时间序列的视频人员重识别方法，可以准确地匹配任意不对齐的图像序列中的人，无需标记的成对数据，并通过引入时间移动动态时间扭曲 (TS-DTW) 模型实现自动对齐、数据选择和匹配。

Nov, 2016

提出一种创新性的自适应图形表示学习方案，用于视频人员重识别；该方案利用姿势对齐连接和特征亲和连接构建自适应结构感知邻接图，以迭代地完善区域特征，并将周围节点信息考虑在部分特征表示中；进一步提出了一种新的时间分辨率感知正则化，用于学习紧凑而区分性的特征表示。

Sep, 2019

该文综合研究和比较了视频人员重识别的四种不同的时间建模方法，包括时间汇聚，时间关注，RNN 和 3D 卷积神经网络，并提出了一个采用时间卷积的注意力生成网络，用于在帧之间提取时间信息。在 MARS 数据集上进行评估，并通过一大部分超越了最新技术的方法。

May, 2018

该论文介绍了一个基于流形学习的动态摄像头网络中的人物重识别无监督学习方法，并提出了一个可利用最佳源摄像头信息改善多个摄像头间准确度的推理算法。该方法在四个基准数据集上的实验结果表明，明显优于现有的无监督学习方法且计算效率极高。

Jun, 2017

本篇论文提出了一种基于深度排名模型、部分卷积神经网络以及自适应距离边缘损失函数相结合的方法，可以在多个数据集上有效地解决视频监控中的人员重识别问题，并且相较于现有的人员重识别方法具有更好的性能表现。

Jul, 2017

本文提出了一种新颖的特征学习框架，用于视频中的人物再辨识，主要利用视频序列中的适当时间信息和解决运动行人的空间对齐问题，并设计了一个时间残差学习（TRL）模块和一个空间 - 时间转换器网络（ST^2N）模块。经过广泛实验验证，提出的方法在各大数据集上都取得了一致优秀的表现，并超越了绝大多数最新的最先进方法。

Feb, 2018

本文提出了一种通过结合局部单热分类和全局多类分类来同时保证视觉一致性和时间一致性，利用未标记的数据进行鉴别特征学习的统一框架方法，该方法在三个大规模 ReID 数据集上的实验结果表明其在无监督和半监督领域适应 ReID 任务方面的优越性。

Jul, 2020

提出一种基于无监督增量学习、迁移学习和贝叶斯融合模型的人物再识别算法，通过将视觉分类器从已有的小型单一数据集转移到未标记的目标领域，以学习行人的时空模式，并将其与视觉特征结合，最终利用基于学习排序的相互促进过程来增量地优化，实验结果表明，相比于现有的跨数据集无监督人物再识别算法，该算法取得了显著的改进。

Mar, 2018