对于人物重新识别的挑战，本研究以在图像库中识别特定个体为主要目标，改进了现有的重新识别方法，并提出了 AaP-ReID，一种将通道注意力融入 ResNet 架构的人物重新识别更有效的方法。经过在三个基准数据集上的评估，相较于现有方法，在 Market-1501 上达到 95.6% 的准确率，DukeMTMC-reID 上达到 90.6% 的准确率，并在 CUHK03 上达到 82.4% 的准确率。

Sep, 2023

本研究通过在卷积神经网络中联合学习软像素注意力和硬区域注意力以及特征表示，优化了未对齐人物图像中的人物重识别，相对于现有的一些方法具有明显的优越性。

Feb, 2018

本文提出了一种名为 CCA 的注意力模块，旨在通过最大化不同注意区域之间的信息增益来克服以前的限制，并提出了一种新的深层网络，利用不同的注意力机制学习人物图像的强鲁棒性和判别表现，得到的模型被称为 CCAN，大量实验证明 CCAN 在人物重新识别任务上优于当前状态下的最先进算法。

Jun, 2020

本文提出了一种新的人物再识别（re-ID）网络架构 Attribute Attention Network（AANet），该架构将人物属性和属性注意力图集成到分类框架中，并通过估计单个属性的类响应并将它们组合形成属性注意力图（AAM），来实现强大的判别性表示。在 DukeMTMC-reID 数据集上，相比使用 ResNet-50 的最佳前沿方法 arXiv:1711.09349v3 [cs.CV]，AANet 在 mAP 和 Rank-1 精度上分别超过 3.36% 和 3.12%；在重排后的 Market1501 数据集上，AANet 在 mAP 和 Rank-1 精度上分别达到 92.38% 和 95.10%，相对于另一种使用 ResNet-152 的最佳前沿方法 arXiv:1804.00216v1 [cs.CV]，精度分别超过 1.42% 和 0.47%。此外，AANet 还可以执行人物属性预测，并在查询图像中定位属性。

Dec, 2019

本文提出了一种新的基于软注意力的模型，即端到端比较注意网络 (CAN)，专门用于人员重新识别任务，该模型能够在几个瞥见后选择性地关注人的不同部位，学会哪些图像部位与识别相关，并自动整合不同部位的信息来确定两个图像是否属于同一个人，并在三个基准人员重新识别数据集上实现了最优性能。

Jun, 2016

本文介绍了一种新的人物再识别方法 CA3Net，它利用深度学习技术，同时利用语义属性和视觉外观，以及身体部位之间的空间依赖关系，学习生成具有鉴别性和鲁棒性的行人表示。实验证明，该方法在 Market-1501 和 DukeMTMC-reID 数据集上取得了很好的效果。

Nov, 2018

我们在研究中引入了一种名为 PAB-ReID 的新框架，该框架采用部分注意机制来有效解决背景干扰和低质量本地特征表示等问题，通过引入人体分割标签来生成更准确的人体部分注意力图，提出了一种细粒度特征聚焦器，以生成精细的人体局部特征表示，并抑制背景干扰，同时设计了部分三元损失来监督人体局部特征的学习，优化了类内 / 类间距离，大量实验证明我们的方法胜过现有的最先进方法。

Apr, 2024

论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法，可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像，成功地在 CUHK01，CUHK03 和 Market 1501 数据集上超越了现有的先进方法。

Jul, 2017

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

该论文提出了一种名为 PAN（行人对齐网络）的算法，该算法采用卷积神经网络进行表示学习和行人对齐，以解决行人重识别中的对齐问题，并在三个大规模数据集上展示了具有竞争性的准确性。

Jul, 2017