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

本研究提出了一种基于视觉单词共现模型的个人再识别方法，该方法将图像像素映射到视觉单词上，并使用共现矩阵来编码探针和库图像中的视觉单词的联合分布，通过使用线性 SVM 分类器来训练这些共现描述符，以应对不同摄像头视角下的外观变化，实验表明该方法在 VIPeR 和 CUHK Campus 数据集中可以取得比最先进的结果分别高 10.44％和 22.27％的 rank-15 性能

Oct, 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

本文提出了一种基于特征增强的视图感知模型，称为 CRAFT，它可以学习视图特定的 feature 变换，将原始特征转换为新的自适应空间，同时模拟默认视图的学习算法，为学习出的视图特定子模型优化视图通用歧视信息。

Mar, 2017

该研究提出了一种新的渐近式跨摄像头软标签学习方法用于半监督人物重识别任务，该方法能够生成跨摄像头软标签和利用它们优化网络。在五个大规模基准数据集上进行的广泛实验表明，该方法明显优于使用标记源域或 GAN 模型生成的图像的最新无监督方法，并且甚至具有与深度监督人物重识别方法相当的性能。

Aug, 2019

提出了一种新颖的领域自适应人员重识别方法，旨在通过无配对样本的监督实现跨摄像头的连续辨别特征学习，并利用跨摄像头相似样本解决跨区域行人身份匹配的挑战。

Jul, 2023

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

该研究提出了一种双通道跨模式特征学习框架，旨在保留内在空间结构并关注输入交叉模态图像对的差异，通过在一个共同的 3D 张量空间中嵌入交叉模式图像而不丢失空间结构以及通过动态比较输入图像对来提取对比特征等方式，在两个公共可用的 RGB-IR ReID 数据集上进行了广泛实验，并在全面和简化的评估模式下均优于现有的算法。

Oct, 2019

本研究探讨了使用像素化和颜色量化实现差分隐私机制来保护图像数据，以减少意外任务表现，同时保持高度再识别性能的可能性。

Jun, 2023