该研究提出了一种基于文本描述搜索人物图像的方法，通过使用多层次的视觉内容对不同语义相关性的相关图像和描述进行匹配，其中包括了多粒度的视觉信息。在 CUHK-PEDES 数据集上进行的实验表明，该方法在 top-1 指标上比现有方法高出 15％。

Sep, 2018

本文提出了一种新颖的组粒度概念，通过多粒度对象：组内的个人和二三人子组来表征群组图像，以实现强大的组重新识别。此外，该方法设计了一种可提取的多粒度表示，该表示对多粒度对象的外观和空间关系进行了特征化，并进一步配备了重要性权重，以捕获群组内的动态变化。实验证明了该方法的有效性。

May, 2019

本文提出了一种多粒度深度网络 MGN，将全局特征与多种局部特征相结合，将图像实现均匀划分为多个条带进行训练，进一步提高了人物再识别任务的性能表现。在包括 Market-1501、DukeMTMC-reid 和 CUHK03 等主流评估数据集上，我们的方法均实现了最先进的表现并超过了任何现有方法。例如，在 Market-1501 数据集中，在单个查询模式下，经过重新排序，我们实现了 96.6%/94.2% 的 Rank-1/mAP 的最先进结果。

Apr, 2018

本文提出一种基于 Aligned Grayscale Modality (AGM) 的跨模态人员重识别方法，通过生成灰度可见光图像和风格迁移转换红外图像得到一致的数据，再结合多颗粒度特征提取网络在特征级别进行对齐，能够显著提高跨模态检索表现。

Apr, 2022

提出了一种基于图匹配和最优传输计算的 RGB-IR ReID 模型，能够通过构建多尺度人体骨架图、匹配任务和信息融合等机制，确保跨模态图像的整体一致性、局部结构关联和语义特征的区分性。

Jun, 2021

使用生成的多个人属性作为提示来辅助更准确的 ReID 检索结果的潜力，我们提出了一种名为 Multi-Prompts ReID（MP-ReID）的新框架，基于提示学习和语言模型，充分利用精细属性来辅助 ReID 任务。实验证明了该解决方案的有效性和合理性。

Dec, 2023

该论文提出了一种新颖的全球引导的互逆学习（GRL）框架，其中包括全局引导相关估计（GCE）和时态互逆学习（TRL）机制，用于视频人员重新识别，可以更好地利用视频中的空间和时间线索，并在三个公共基准上实现了比其他现有技术更好的表现。

Mar, 2021

本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

Sep, 2017

本论文提出了一种通过细致的监督设计，驱动重新识别网络学习语义对齐特征表示的框架，其中包括了一个带编码器（SA-Enc）的 Semantics Aligning Network (SAN) 用于重新识别，以及一个解码器（SA-Dec）用于重建 / 回归密集语义对齐全纹理图像，并在三元组 ReID 约束下增加感知损失，以确保推断的计算效率。该设计取得了基准数据集 CUHK03，Market1501，MSMT17 和部分人物重新 ID 数据集 Partial REID 等的最佳表现。

May, 2019

本研究提出了一种新的生成对抗网络，以解决跨分辨率个体再识别问题，能够在保持分辨率不变的同时恢复低分辨率输入图像中的缺失细节，实验表明该方法在五个基准数据集上比现有技术表现更好，尤其是当输入分辨率在训练期间未被看到时。

Aug, 2019