本篇论文提出一种基于四元组损失和在线难负样本挖掘的四重神经网络用于人员再识别，相对于三元组损失，该方法在训练集和测试集中具有更好的泛化性能和更高的性能表现，并在多个代表性数据集上超过了大部分最先进算法，证明该方法的有效性。

Apr, 2017

本文提出了一种多类别分类损失函数（N 元损失），旨在联合考虑多个实例进行查询优化，以实现更好的 Person Re-identification 测试 / 推理过程和更高的性能。

Jun, 2020

本文提出了一个通过通道分组和多分支策略来划分全局特征的个人再识别框架，以学习多个通道组的判别式全局特征，并证明了其在准确性和推理速度方面优于现有技术水平。

Sep, 2018

提出了一种快速逼近的三元组损失（FAT）来匹配人物重新识别任务的大规模数据集中的潜在噪声标签，同时提出了标签蒸馏策略来改进由于潜在噪声标签的学习，结果表明该方法可显著提高 ReID 特征的准确性，效率，鲁棒性和直接可迁移性。

Dec, 2019

本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

Feb, 2018

此论文提出了一种多阶段训练方法和全局难样本挖掘方法来提高匹配度，通过实验展示在 Market-1501、CUHK03 和 DukeMTMCreID 等多个数据集上获得了比多数已有方法更高的性能表现。

Dec, 2018

本文提出了一种新的用于人物 Re-IDentification 的对比损失函数，因为大多数现有方法采用三元组损失函数难以捕捉细节的外貌差异，该损失函数通过对图片间差异的指数级和有界级进行自适应惩罚，能够较大幅度地提高模型在四个基准数据集上的性能，同时也提升了数据的有效性。

Sep, 2020

本文利用三元组嵌入解决了摄像头网络中车辆重新识别的问题，通过学习一个嵌入空间并使用三元组 Loss 函数提高了识别正确率。

Jan, 2019

本文提出了一种增强版本的三元组损失函数，名为三元组蒸馏，在多个数据集上展示了其优于原始三元组损失函数的优越性，能够自适应地变化正负样本之间的间隔，从而更好地利用相似性信息来提高紧凑模型的性能。

May, 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