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

我们提出了一种神经网络架构，用于学习足球运动员再识别的身体部位外观。我们的模型包括一个双流网络（一个用于外观地图提取，另一个用于身体部位地图提取）和一个双线性池化层，用于生成和空间汇聚身体部位地图。我们的模型通过将相应的局部外观和身体部位描述符进行双线性映射来获得身体部位地图的每个局部特征。我们的新颖表示产生了一个强大的图像匹配特征图，它由相关身体部位的局部相似性与加权外观相似性的组合结果得到。我们的模型不需要在 SoccerNet-V3 再识别数据库上对身体部位进行任何注释，而是使用现有姿态估计网络（OpenPose）的子网络来初始化部位子流，然后训练整个网络以最小化三元组损失。外观流使用 ImageNet 数据集进行预训练，而部位流从头开始训练 SoccerNet-V3 数据集。通过展示其优于 OsNet 和 InceptionNet 等最先进模型的性能，我们证明了我们模型的有效性。

Oct, 2023

本研究提出了一种基于密集语义对齐的人员再识别框架，通过利用人图像的密集语义估计，构建了一组密集语义对齐的部分图像，设计了一个两流网络，其中一个流具有密集语义对齐，它通过引导主全流学习来解决不同图像之间的身体不对齐问题。最终，在 CUHK03、CUHK01 和 Market1501 数据集上将表现优于现有方法，最高 rank-1 精度达到 95.7％。

Dec, 2018

提出了一种新的人员再识别架构，基于双线性卷积神经网络，通过在预定义区域中进行双线性汇总，以更局部的方式提供空间信息，比 Bilinear-CNN 和现有技术在三个基准数据集上表现更优秀。

Dec, 2015

本研究提出了一种新的人物再识别关系网络，考虑了个体身体部位之间以及部位与其他部位之间的相互关系，有效提高了特征辨别能力，同时使用全局对比池化方法获取人物图像的全局特征，该方法已在多个数据集上实证表明其优越性。

Nov, 2019

本文提出了一种针对人员搜索的 Align-to-Part 网络，可以解决由遮挡等因素导致的检测边界框不精确问题，并且还建立了大规模的人员搜索数据集 LSPS。实验证明，该网络在 LSPS 上具有显著的性能提升，并且在 CUHK-SYSU 和 PRW 等基准测试上也取得了竞争性的表现。

Apr, 2020

本文提出了一个新的框架，有效地学习和利用全局信息和局部信息，解决了长期人物再识别中衣物变换和衣物一致情况的限制，并通过生成伪标签和训练身体部位分割模型来提取身体部位特征，实验证明了该方法优于现有的最先进方法。

Mar, 2024

本文提出了一种基于人体解析模型和自注意力机制获取其它目标区域信息的方法，实现了在三个基准数据集上的最新性能，提高了人物重识别的准确性。

Oct, 2019

通过多任务学习的方法，建立主任务与辅助任务并实现参数空间对齐和类别对齐的对齐策略，解决行人图像中的人体部位对齐问题，实现从部位通道提取语义对齐的部分级特征，且代码已开源。

Mar, 2020

本文提出了基于部分人员重识别技术的部分匹配网络（PMN），该技术可检测人体关节、对齐局部视图、通过一些信息和具有学习能力的人员模型来逐步恢复缺失的部分，并将对齐和重建后的视图结合起来用于图像匹配，实验证明该方法在三个数据集上有显着的改善。

Jul, 2018