在人员再识别中，我们提出了基于流形保存的亲和力学习算法，该算法可以最大程度地利用监督训练数据，并且可以被插入到现有算法中作为一种通用的后处理过程，从而进一步提高识别精度。

Mar, 2017

本文提出了一种新的中等正样本挖掘方法来训练鲁棒的 CNN 以解决人员重识别中的大变化问题。在此基础上，通过度量权重约束来改进学习，从而使学习到的度量具有更好的通用性。实验表明，这两种策略能够有效地学习到鲁棒的深度度量，并且相应地，我们的深度模型在几个人员重识别基准测试上显著优于现有的最先进方法。因此，本文提出的研究可能对启发人员重识别的新深度模型的设计有用。

Nov, 2016

本研究提出了一种个体重新识别模型，该模型结合了在多个卷积网络层上构建的有效嵌入，采用了深度监督技术进行训练，能够在资源受限情况下有效地权衡准确性和计算性能。在传统的重新识别基准测试中，我们的方法在所有五个数据集上都明显优于以前的最新结果。

May, 2018

本文旨在探讨如何将卷积神经网络的不同特性相融合，提高行人识别任务中的性能，并提出了一个新型的任务学习框架，取得了当前公开基准数据集上的最佳表现，并且还证明了这个框架能够适用于图像检索任务。

Nov, 2016

本文提出了一种适应于当下行人重识别局部样本结构的新型采样方法和目标函数，利用一定的局部样本来挖掘适当的正例，以提高深度嵌入的性能，并在训练过程中学习一种深度相似性距离度量，以此来增加像素级的区分度，并处理掉行人图像中的复杂性因素，本方法在基准测试数据集上取得了最好的性能表现。

Jun, 2017

本研究提出了一种新的人物再识别（re-id）距离度量学习方法，通过匹配训练数据的判别式空间来克服小样本问题，并且在多个数据集上进行的实验表明此方法比现有方法具有更好的识别效果。

Mar, 2016

本研究提出了一种自学习子空间学习方法，可以将有标签数据与无标签数据相结合以实现人员再识别，并采用多内核嵌入策略来处理人的外观非线性变化，实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。

Apr, 2017

论文提出了一种基于软多标签学习的无监督人物识别方法，该方法引入了参考代理学习来表示每个参考人物，利用视觉特征和软多标签的相似性一致性对目标域学习了区分嵌入，并开展了跨视角一致的软多标签学习以实现学习目标的达成。

Mar, 2019

本文提出了一种有效的结构化学习方法来解决个人重新识别问题，在大多数经过评估的基准数据集上性能优于当前最先进的方法。该方法基于多个低级手工制作和高级视觉特征，并制定了两种优化算法，直接优化常用于个人重新识别的评估措施，也称为累积匹配特性（CMC）曲线，并在实际中具有重要意义的范围内将重新识别性能集中起来。这些因素的结合导致了一个个人重新识别系统，可优于大多数现有算法。更重要的是，我们将基准测试的 rank-1 识别率从 40％提高到 50％、从 16％提高到 18％、从 43％提高到 46％、从 34％提高到 53％、从 21％提高到 62％。

Mar, 2015

本文提出了一种基于张量特征表示和多线性子空间学习的新型个人再识别（PRe-ID）系统，该方法利用预训练的 CNN 进行高级特征提取，结合局部极大出现（LOMO）和高斯之高斯（GOG）描述符。此外，使用跨视图二次判别分析（TXQDA）算法进行多线性子空间学习，在张量框架中对数据进行建模以增强区分能力。基于马氏距离的相似度度量用于训练和测试行人图像之间的匹配。对 VIPeR 和 PRID450s 数据集进行的实验评估证明了我们方法的有效性。

Dec, 2023