本文提出一种基于视频序列的人物再识别方法，通过 Refining Recurrent Unit 和 Spatial-Temporal clues Integration Module 来更好地表达视频序列中的空间和时间信息，并且采用了多层次训练目标来增强算法的性能。实验结果表明，该方法在 iLIDS-VID 和 MARS 数据集上优于现有的最先进方法，并在 PRID-2011 上取得了良好的结果。

Dec, 2018

本研究将 Transformer 应用于基于视频的人体再识别，提出一种新的基于预训练的模型，并使用感知约束的时空 Transformer 模块和全局 Transformer 模块转换到下游域，取得了显著的准确率提高。

Mar, 2021

本文提出了一种基于 STMN 的新型人员 reID 方法，通过存储频繁出现在视频帧中的空间干扰和优化人员视频的典型时间模式的注意力，实现了对人员视频中的空间和时间干扰的有效处理。

Aug, 2021

该文综合研究和比较了视频人员重识别的四种不同的时间建模方法，包括时间汇聚，时间关注，RNN 和 3D 卷积神经网络，并提出了一个采用时间卷积的注意力生成网络，用于在帧之间提取时间信息。在 MARS 数据集上进行评估，并通过一大部分超越了最新技术的方法。

May, 2018

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

本研究提出了一种新的两流空间 - 时间人物重新识别（st-ReID）框架，该框架挖掘了视觉语义信息和空间 - 时间信息，引入 Logistic Smoothing（LS）联合相似性度量，使用快速直方图 - Parzen（HP）方法近似复杂的空间 - 时间概率分布，消除了很多无关图像，在 Market-1501 和 DukeMTMC-reID 数据集上均取得了最好的准确性，进步幅度达到了先前方法的很大程度。

Dec, 2018

本文提出了一种新的个性化、时空解耦的人员再识别方法（InSTD）, 其中加入了个性化信息用于狭窄化搜索空间并将空间 - 时间传递概率从联合分布解耦以适应离群值，实验结果表明，我们的方法在 Market-1501 和 DukeMTMC-reID 上的 mAP 分别提高了 8.6％和 16.4％。

Jul, 2021

本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量，采用深度卷积网络和循环神经网络进行时间序列建模和度量学习，通过时间汇聚产生整体特征表示，在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的性能水平。

Jun, 2016

本文中提出了一种名为 “三叉神经变压器” 的框架，通过将原始视频数据转化为不同的特征域，同时使用自监督学习的三个自视图变压器和一个交叉视图变压器来增强信息并提取更全面的视频标识，实现了公共 Re-ID 基准上优于其他最先进方法的表现。

Apr, 2021

本文提出了一种时序补充学习网络，旨在提取连续视频帧的补充特征，用于视频中的人员再识别，并通过时序显著性抹除和增强模块，有效地实现信息增强和丢失的平衡，实验结果表明其优于现有技术。

Jul, 2020