本文提出了全局 - 局部时间表征（GLTR）的方法，以利用视频序列中的多尺度时间线索进行视频人物重新识别。这种方法通过对相邻帧中的短时时间线索进行建模，然后捕捉不连续帧之间的长期关系来构建。其中，短期时间线索是通过不同的时间扩张率平行膨胀卷积来表示行人的运动和外貌。利用时间自我注意模型来捕捉长期关系，以减轻视频序列中的遮挡和噪音。最终，通过简单的单流卷积神经网络将短期和长期时间线索聚合形成 GLTR。在四个广泛使用的视频 ReID 数据集上，GLTR 相对于基于身体部分线索或度量学习学习到的现有特征表现出显著的优越性。例如，在 MARS 数据集上，它取得了 87.02％的 Rank-1 精度，而且没有经过一次排序，优于目前的最新技术水平。

Aug, 2019

本文提出了一种名为 GLAD 的新型人机协同学习算法，通过神经网络和人工标注反馈，支持全局异常探测器的本地化相关性自动学习和解释，该算法在合成和真实数据上取得了良好的效果。

Oct, 2018

提出了一种基于定位的引导网络，该网络为每个属性自动学习本地特征，并通过与全局特征的互动强调它们，在两个行人属性基准测试中取得了最新的最佳成绩。

Aug, 2018

本文提出了一种名为 AlignedReID 的新方法，通过局部特征的对齐匹配和全局特征的共同学习，提高了全局特征的学习效果并且超越了现有的 Person ReID 方法。在 Market1501 和 CUHK03 这两个广泛应用的人员再识别数据集方面，相对于现有的最优方法，本方法的排名 1 准确度分别提高了 94.4% 和 97.8%，超过了人类的水平。

Nov, 2017

本文提出了一种针对人员重新识别问题的方法，即利用人体部分对齐表示以应对身体部位不对齐问题，并通过深度神经网络学习三个步骤，以最小化三元组损失函数来进行学习，这种方法可以更好地应对姿态变化和不同的空间分布情况，并在标准数据集上展现出最优结果。

Jul, 2017

该论文提出了一种新颖的全球引导的互逆学习（GRL）框架，其中包括全局引导相关估计（GCE）和时态互逆学习（TRL）机制，用于视频人员重新识别，可以更好地利用视频中的空间和时间线索，并在三个公共基准上实现了比其他现有技术更好的表现。

Mar, 2021

提出了一种基于图匹配和最优传输计算的 RGB-IR ReID 模型，能够通过构建多尺度人体骨架图、匹配任务和信息融合等机制，确保跨模态图像的整体一致性、局部结构关联和语义特征的区分性。

Jun, 2021

本文提出了一个 Multi-granularity Image-text Alignments (MIA) 模型，用于减轻描述基础人物的 Re-id 中的跨模态细粒度问题，以进行更好的相似度评估。实验表明，该方法在 CUHK-PEDES 数据集上取得了最先进的性能，并且实现了显着优于以往方法的效果。

Jun, 2019

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

本文提出了一种通过全局可视信息和局部区域细节来实现步态识别的辨别性特征提取和融合框架，使用多个全局和局部卷积层来组合全局和局部特征，并提出了本地时间聚合操作来进一步保留空间信息以获得更高的空间分辨率。 实验结果表明，该方法在两个流行数据集上优于现有技术。

Nov, 2020