提出一种 UnityStyle 适应方法，可以消除相机内和相机间样式差异，进而实现更好的行人再识别模型表现，实验结果证实了该模型的优越性。

Mar, 2020

本文提出了一种用于解决无监督下领域自适应中人员再识别问题的新算法，包括镜头风格适应框架、基于 Soft-label 的人员再识别模型辅助方法、以及用于挖掘目标域内部本质结构的 GAN 翻译方法，实验表明该方法具有显著优势。

May, 2019

在单独相机监督的设置下，通过构建样式一致的环境、在每个环境中进行原型对比学习以消除相机偏差和进行跨相机内外不变性设计，本研究提出的方法有效地解决了人员再识别中的关键问题，并在多个基准测试中进行了验证。

Nov, 2023

我们提出了一种新颖的无监督域适应方法，用于人物再识别（reID），该方法将在标记源域上训练的模型推广到未标记的目标域。我们介绍了一种基于摄像头标签的相机驱动课程学习（CaCL）框架，通过渐进地训练目标域数据集的多个子集，将知识从源域转移到目标域。我们的方法在标准基准测试中取得了显著的效果。

Aug, 2023

我们介绍了一个减少相机差异的相机感知标签细化框架，通过聚类相机内的相似性进一步对齐特征分布并减少跨相机特征相似性计算中的性能退化问题。

Mar, 2024

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

在 ISCS 监控系统中，为了学习相机视角不变的人员 Re-ID 特征，介绍了一种新的方法 —— 在特征空间中合成不同相机的交叉样本进行模型训练，并通过提出的 CCSFG 方法优化特征编码器和生成器。通过实验，证明了所提出方法的優越性。

Mar, 2022

本文介绍了一种基于神经风格迁移的模型，可以生成带有一定风格的高质量图片，无需预先训练的网络。该模型利用一个新的双阶段同行正则化层在潜在空间中重新组合风格和内容，构建了一个自定义图卷积层，提出了一组直接在潜在空间中操作的循环损失，从而实现了端到端的训练，并且在实验中得到了良好的效果。

Jun, 2019

本文提出了一种统一框架来解决无监督的人员再识别问题，旨在解决聚类产生的嘈杂标签和相机偏移引起的特征变化。该框架包括 Dynamic and Symmetric Cross-Entropy 损失和 MEtaCam 算法来实现相机不变特征，得到了比现有方法更好的无监督人员再识别和领域自适应无监督人员再识别性能。

Mar, 2021

本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

Oct, 2022