本文提出了一种使用相似度保持对抗生成网络（SPGAN）的无监督学习框架，用于域适应中的人员重新识别，其保持图像的自我相似性和领域不相似性，从而提高人员重新识别精度。

Nov, 2017

该论文提供了一个名为MSMT17的新数据集以便于解决真实场景中人物再识别（ReID）的挑战问题，并介绍了一个叫PTGAN的方法来缩小数据集之间的领域差距以提高ReID的性能表现。

Nov, 2017

本研究提出了使用基于相似性保持生成对抗网络模型SimPGAN，将目标域中未标记图像转化为原始分类器的解决方案，通过在多个真实监控数据集上的全面实验，研究结果表明，该算法优于现有的基于跨数据集的无监督人员重新识别算法。

Jun, 2018

本研究提出了一种简单而有效的前景注意力神经网络（FANN），通过引入前景针对子网和特征融合子网学习判别性特征表示来解决人员再识别问题，在多任务学习框架中训练FANN，可以学习到一种判别性特征表示，能够在各种候选项中寻找与每个探针匹配的参考值。与最先进的方法相比，该方法在多个公共基准数据集上都显示出明显的改进。

Jul, 2018

本文使用“学习 via 翻译”框架研究人员重新识别中的领域适应问题，提出一种相似性保持的生成对抗网络 (SPGAN) 和其端到端可训练版本 eSPGAN 来解决此问题。在实验中，展示了两个大规模人员重新识别数据集上的新颖领域适应结果。

Nov, 2018

本研究提出了一种简单的基线框架以解决人员重识别方法在不同数据集间的领域偏移问题，通过实例规范化和特征规范化这两种方式软化两个数据集之间的领域偏移问题，并取得了显著的精度提升。

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

通过提出的生成对抗网络方法，该论文给出了一个用于解决跨分辨率人员重识别问题的方法，具有较强的抗噪能力和可泛化性。

Feb, 2020

本文通过对2015年至2021年间230多份文献的系统调查，首次综合性地回顾了针对各种视觉挑战的人员重新识别 (person re-identification) 方法，分析了当前方法的优缺点，提出了未来研究的发展方向。

Feb, 2022

人物再识别（Re-ID）领域受到了深度神经网络的广泛关注，特别是图像分类。本文的焦点在于对Re-ID系统进行的对抗攻击，其可能对系统性能构成严重威胁。我们尝试对两种热门Re-ID模型（IDE（ResNet-50）和AlignedReID）应用了两种类型的对抗攻击（P-FGSM和Deep Mis-Ranking），并在三个数据集上进行了实验，最佳结果在Applied to CUHK03的AlignedReID上展示了Rank-10度量指标下3.36%的降低。我们还尝试通过在推断过程中使用Dropout作为一种防御方法。

Sep, 2023