本文介绍了一种基于 CNN 的方法，通过约束权重来学习具有良好鲁棒性的判别度量，其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层，通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。

Nov, 2015

本文提出了一种适应于当下行人重识别局部样本结构的新型采样方法和目标函数，利用一定的局部样本来挖掘适当的正例，以提高深度嵌入的性能，并在训练过程中学习一种深度相似性距离度量，以此来增加像素级的区分度，并处理掉行人图像中的复杂性因素，本方法在基准测试数据集上取得了最好的性能表现。

Jun, 2017

本文介绍了一种通过简单地重新参数化传统的 softmax 分类方案来有效优化余弦相似度的方法，在两个抽取的特征对应相同身份时会更加接近，这种方法被用于大规模行人再识别数据集中达到了竞争性的好结果。

Dec, 2018

本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。

Jul, 2014

本文提出了一种非线性局部度量学习方法（NLML），利用局部度量学习和深度神经网络的优点来学习多组非线性转换，通过在转换后的特征子空间中强制正面行人图像对的距离与负面对距离之间的边界，从而有效地利用识别信息，本文通过在公共数据集上进行实验，证明了该方法在人物重新识别方面取得了最先进的结果。

Nov, 2015

本文提出了一种有效的人物再识别方法，结合了 fine 和 coarse pose 信息的卷积神经网络，同时提出了一种新的无监督自动重排架构，取得了优异的效果。

Nov, 2017

通过结构化图拉普拉斯嵌入算法，将所有结构化距离关系转化为图拉普拉斯形式，能够充分利用构建完整图的结构化距离关系，并易于实施和超有效。将此算法与 CNN 训练的 softmax 损失一起嵌入，能够获得更强鲁棒性和较高的识别度，对于个人重新识别是必要的，有效性已在三种流行网络上得到验证。

Jul, 2017

提出了一种名为 DEep Clustering-based Asymmetric MEtric Learning (DECAMEL) 的无监督学习框架，该框架基于交叉视图聚类学习不对称距离度量，并将其嵌入深度神经网络中，学习跨视图群集结构，以解决 Person re-identification 无监督学习中的视图特定偏差的问题，实验表明该框架具有较好的效果。

Jan, 2019

本文介绍了一种基于深度学习的可扩展的距离驱动特征学习框架，用于处理智能视频监控中的人员再识别问题，并展示了其在各个数据库上的有效性。该框架采用三元组单元的生成以及优化梯度下降算法解决三元组三倍扩增的问题。

Dec, 2015

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