本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

Mar, 2018

本研究提出了一种基于视觉单词共现模型的个人再识别方法，该方法将图像像素映射到视觉单词上，并使用共现矩阵来编码探针和库图像中的视觉单词的联合分布，通过使用线性 SVM 分类器来训练这些共现描述符，以应对不同摄像头视角下的外观变化，实验表明该方法在 VIPeR 和 CUHK Campus 数据集中可以取得比最先进的结果分别高 10.44％和 22.27％的 rank-15 性能

Oct, 2014

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

本文提出了 Viewpoint-aware Channel-wise Attention Mechanism (VCAM) 方法，该方法通过通道方式重新调整输入车辆视角的每个特征图的重要性，提高了现有 Works 对车辆视角感知特征提取的噪声抑制和效果，实验证明在 VeRi-776 数据集上和 2020 年 AI City Challenge 中表现优秀.

Oct, 2020

本研究提出了一种新颖的特征学习框架，通过利用密集对应的交叉模态人物图像，像素级地抑制与模态相关的特征，从而更有效地促进交叉模态本地特征的判别式特征学习，从而解决了可见 - 红外人物重识别的问题。

Aug, 2021

论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法，可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像，成功地在 CUHK01，CUHK03 和 Market 1501 数据集上超越了现有的先进方法。

Jul, 2017

提出了一种 Viewpoint-Aware Loss with Angular Regularization（VA-reID）方法，通过将不同视角的特征统一到一个超球体内，有效地模型人物的特征分布，在视角和身份级别上建模.

Dec, 2019

提出了一种新颖的领域自适应人员重识别方法，旨在通过无配对样本的监督实现跨摄像头的连续辨别特征学习，并利用跨摄像头相似样本解决跨区域行人身份匹配的挑战。

Jul, 2023

本文提出了一种基于对比学习的新颖视角不变的面部表情识别框架 ViewFX，能够准确分类面部表情，无论输入的观察角度如何。该方法利用自监督对比损失来学习表情的视角不变特征，同时引入有监督对比损失来使学得的特征与其他表情区分开。经过实验验证，该方法在公开多视角面部表情识别数据集 KDEF 和 DDCF 上表现优于以往的方法，成为了新的最佳方法，并且在面对具有挑战性的观察角度和训练样本标签数目时具有较低的敏感性。同时，还进行了详尽的敏感度和消融实验，评估了模型不同部分的影响以及对不同参数的敏感性。

Nov, 2023

在 ISCS 监控系统中，为了学习相机视角不变的人员 Re-ID 特征，介绍了一种新的方法 —— 在特征空间中合成不同相机的交叉样本进行模型训练，并通过提出的 CCSFG 方法优化特征编码器和生成器。通过实验，证明了所提出方法的優越性。

Mar, 2022