本文介绍了一种基于 CNN 的方法，通过约束权重来学习具有良好鲁棒性的判别度量，其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层，通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。

Nov, 2015

本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。

Jul, 2014

本文提出了一种非线性局部度量学习方法（NLML），利用局部度量学习和深度神经网络的优点来学习多组非线性转换，通过在转换后的特征子空间中强制正面行人图像对的距离与负面对距离之间的边界，从而有效地利用识别信息，本文通过在公共数据集上进行实验，证明了该方法在人物重新识别方面取得了最先进的结果。

Nov, 2015

提出 Local Maximal Occurrence（LOMO）特征表示和 Cross-view Quadratic Discriminant Analysis（XQDA）子空间及度量学习方法，通过对局部特征的水平出现进行分析并最大化它来稳定地表示特征，同时处理照明和视角变化以及学习鉴别度量来进行人物重识别，实验表明提出的方法在四个数据集上显著提高了状态的最高识别率。

Jun, 2014

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

本文介绍了一种通过简单地重新参数化传统的 softmax 分类方案来有效优化余弦相似度的方法，在两个抽取的特征对应相同身份时会更加接近，这种方法被用于大规模行人再识别数据集中达到了竞争性的好结果。

Dec, 2018

通过提出 Adversarial Metric Attack，本研究试图在 Person re-identification 中弥合分类训练和度量分析的差距，发现现有的距离度量方法对于人眼无法察觉的对抗样本十分脆弱，因此在应用于视频监控等领域时需要注意安全性，同时提出训练度量网络以抵御对抗攻击并推进度量学科对抗攻防技术的发展。

Jan, 2019

该研究提出了一种基于不对称聚类的度量学习方法，通过学习对称性，提高无人监督条件下，在大规模无标签视觉数据下的 RE-ID 的匹配性能，实验结果表明，该方法比传统的无人监督方法更为适用。

Aug, 2017

在计算机视觉领域引入了一种名为 LUPI 的学习框架，利用属性、边界框或图像标记等特权信息来加快计算机对象识别速度，探索利用多义分类和二分类最大间隔技术来提高分类器在原数据空间的分类能力。同时，研究人员发现利用特权信息能够显著提高分类精度。

Oct, 2014