本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。

Nov, 2016

本文提出了一种渐进无监督学习（PUL）方法，将预训练的深度表示转移到未见过的领域来改进人员重新识别（re-ID）的准确度，并使用自主学习自然地表达了整个过程。

May, 2017

本文研究了使用简单但强大的全局特征基线进行人物再识别，通过收集和评估有效的训练技巧，并将其结合，提出了一种名为 BNNeck 的新型颈部结构，将度量和分类损失分成两个不同的特征空间，从而提高了现有方法的性能。

Jun, 2019

该论文提出了一种基于无监督领域自适应的 person re-identification（Re-ID）网络模型，能够在没有外部监督数据的情况下，利用来自多个数据源的信息，提取出具有领域不变性的特征向量，并在实验中取得了比其他同类方法更好的效果。

Apr, 2018

我们提出了一种用于表示学习的新型去噪模型，并以人员重识别（ReID）作为基准任务，称为 DenoiseReID，通过联合特征提取和去噪来改进特征的区分能力。

Jun, 2024

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

本文提出一种名为 RAIN 的网络架构，通过对抗学习的策略来提取具有分辨率不变性的表示，从而解决跨分辨率人物重新识别的问题，实验表明所提出的模型可以识别低分辨率的查询图像，并可以用于半监督重新识别。

Jul, 2019

本研究提出 Auto-ReID 算法，利用检索式搜索算法设计一个适用于特定的 Person re-identification 任务的卷积神经网络，通过神经架构搜索技术实现自动构建，实验证明与其他算法相比，减少了 50% 的网络参数和 53% 的计算量。

Mar, 2019

本文介绍了一种基于简单的深度架构的策略，通过精细地设计架构的每个组件以及有效训练来实现人物重新识别的最佳实践，其能够比复杂的具有补充部件的方法更好地定位和对齐具有识别性的图像区域，并提出了一种类似于隐式注意力机制的训练表示方法。经过在四个基准数据集上的广泛评估，该方法可以比其他复杂方法更好地实现人物重新识别。

Jan, 2018

本文使用学习到的失误排名公式对当前表现最佳的人物重新识别模型的不安全性进行检验，提出了一种借助多阶段网络体系结构的反向盒子攻击方法，研究人员在四大重新识别基准上进行了广泛的实验。

Apr, 2020