本文提出了一种新颖的深度学习 CNN 网络 Omni-Scale Network (OSNet), 用于人物再识别问题的判别性特征学习，通过设计一个由多个卷积流组成的残差块来实现不同尺度的特征学习，并引入一个新颖的联合聚合门来动态融合多尺度特征，避免过拟合。在已有的六个人体再识别数据集上，OSNet 取得了最新颖的表现，超过了大多数大型模型。

May, 2019

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

通过使用集成模型和深度神经网络结构，提出了一种在人员重新识别中处理遮挡的方法，该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明，所提出的方法具有竞争力的排名 - 1 和 mAP 表现。

Mar, 2024

本文提出 Attention and CL loss，结合了 center，online soft mining (OSM) loss 和 attention loss，运用于基于时间注意力的神经网络上，通过一系列训练技巧，优于现有状态的 person Re-ID 数据集，MARS 和 PRID 2011。

Nov, 2019

本文旨在探讨如何将卷积神经网络的不同特性相融合，提高行人识别任务中的性能，并提出了一个新型的任务学习框架，取得了当前公开基准数据集上的最佳表现，并且还证明了这个框架能够适用于图像检索任务。

Nov, 2016

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

本文提出了一种多尺度背景感知网络（MSCAN）用于学习全身和身体部位的强特征，在每个层中通过堆叠多尺度卷积来捕捉局部上下文知识，并且通过使用新的空间约束来学习局部变形行人部分，并将全身和身体部分的表示学习过程集成到一个统一框架中，通过多类人物识别任务实现了人物再识别，且在当前挑战性大规模人物再识别数据集上，包括基于图像的 Market1501、CUHK03 和基于序列的 MARS 数据集，都取得了最先进的结果。

Oct, 2017

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

本文提出了一种使用 CNN 联合学习局部和全局特征的方法，用于重新识别目标，实现了对多任务的优化，通过优化多任务的联合损失函数，达到一种损失函数的平衡，该模型在 VIPeR、GRID、CUHK01、CUHK03 和 Market-1501 的五个基准测试中优于现有的各种重新识别方法。

May, 2017

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