基于校准的域不变学习技术用于高通用性的大规模个体重识别
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
本论文提出了一种名为 PECA 的方法，通过特征分布扰动和校准的方式来获得可部署于任意未知目标域的人员重新识别的通用特征表示，这是一个既具有相机间区分性，而对任意未知目标域又具有不可知性。该方法可消除因领域倾向性而导致的模型过度拟合，通过局部扰动和全局校准的方式实现不同领域之间的特征分布对齐来提高模型的泛化能力，在 8 个人员重新识别数据集上，提出的 PECA 模型明显优于现有的对手。
May, 2022
本论文提出了一种基于表示学习的无监督跨域人物再识别的深度领域自适应框架，通过解决数据分布差异、标记信息缺乏等问题，采用相机感知域自适应和在线三元捆绑等方法，实现了针对人物再识别特征的优化和提取，并在基准数据集上进行了实验和消融研究，展现了其卓越性能和有趣的属性。
Apr, 2019
本文提出了一种基于生成对抗网络和半监督多特征聚类的联合伪标记策略，通过无监督域适应和在非标记目标域中挖掘潜在相似性，提高目标域的特征表示能力，同时通过半监督多特征聚类学习目标域的内部数据结构，取得了良好的无监督个体重新识别表现。
Aug, 2022
本文提出一种基于因果分析的结构模型，利用该模型构建了一个新颖的领域不变表示学习框架，包括对身份特征和领域特征空间的分离，以及算法实现和实验验证。结果表明，该框架在大型领域泛化 ReID 基准测试中优于现有方法。
Mar, 2021
该研究提出了一种用于领域自适应人物再识别的 AD-Cluster 技术，通过密度聚类、自适应样本增强、判别特征学习等方法，增强了目标域中的人物簇群，大大提升了再识别模型的区分能力。
Apr, 2020
本论文提出了一种无监督领域泛化的方法来解决行人重识别中源域无标签的问题，该方法采用领域特定的自适应框架，结合批标准化和实例标准化技术实现，准确地优化模型泛化能力，同时提高了训练效率和 ReID 性能。实验证明，该方法在不同的数据集上表现出显著优势，为进一步研究此领域奠定了强有力的基础。
Nov, 2021
我们提出了一种新颖的无监督域适应方法，用于人物再识别（reID），该方法将在标记源域上训练的模型推广到未标记的目标域。我们介绍了一种基于摄像头标签的相机驱动课程学习（CaCL）框架，通过渐进地训练目标域数据集的多个子集，将知识从源域转移到目标域。我们的方法在标准基准测试中取得了显著的效果。
Aug, 2023
该研究提出了一种新颖的无监督域自适应框架，用于将分类学表示从标记源域（数据集）转换到未标记的目标域（数据集），并使用一种新颖的域相似性损失将域自适应任务制定为一个单类分类问题。
May, 2019
本文介绍了一种双分布对齐网络 (DDAN)，通过选择性对齐多个源域的分布将图像映射到域不变特征空间，然后通过双层约束，即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明，在大规模域泛化人员重识别基准测试中，DDAN 可以很好地对齐各种源域的分布，并显着优于所有现有的域泛化方法。
Jul, 2020