本文介绍了一种新的人物属性检测方法，利用属性检测来生成相应的局部检测器，提取局部特征来解决人物再识别中的身体部分不对齐问题，并将属性信息与局部描述符相结合以消除检测偏差带来的干扰。该模型在两种常用基准测试上表现良好。

Feb, 2019

本文提出了一种新的基于语义属性学习的人物再辨识和搜索方法，并将其在弱或强标记的时尚摄影数据集上进行训练，进而提供一种强大的用于检测和描述监控人员的语义表达，无需任何监控领域监督，并且已达到最先进的性能，在无监督和监督人物重新辨识中均取得了最先进的性能。此外，作为一种语义表达，它将允许在同一框架内集成基于描述的人员搜索。

Jun, 2017

提出了一种基于属性标签和 ID 标签互补的 Attribute-Person Recognition（APR）网络，该网络是一个多任务网络，可以学习重新识别嵌入并同时预测行人属性，通过在两个大规模数据集上进行人物重新识别与属性识别的实验，实验结果表明，APR 实现了与现有方法相当的人物重新识别性能，并可用于属性识别任务并提出了改进方法。

Mar, 2017

本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性，并以三个数据集为基准测试了四种方法，提供指南以帮助未来设计更好的人物重新识别流水线。

Dec, 2022

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

本文将人员再识别作为图像搜索问题，并通过设计一种无监督的词袋表示法，将图像搜索技术整合到人员再识别中。同时，贡献了一个新的高质量数据集，在三个数据集上得到了与最先进方法相当的竞争结果。

Feb, 2015

这篇论文对于人员再识别技术进行了全面的评估和表现评估，并实现了一个包括 11 个特征提取算法和 22 种度量学习技术的统一代 码库，使用 17 个不同的数据集进行了评估，旨在为这个领域提供公开、准确、全面的基准。

May, 2016

为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题，提出了一个半监督属性学习框架，该框架由三个阶段组成，并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量，取得了出乎意料的好效果，在度量学习模块的帮助下，显著优于许多最近的工作。

May, 2016

本文提出了一种新的方法，将细节人物描述（属性标签）和视觉特征（身体部位和全局特征）聚合成一个图形，即基于图形的人物签名，并利用图形卷积网络学习人物视觉签名的拓扑结构，并将其集成到多支路多任务框架中用于人物重新识别，并在两个大规模数据集上展示了我们所提出方法的有效性，包括 Market-1501 和 DukeMTMC-ReID，我们的方法在状态下的竞争结果中表现出较强的优势。

Apr, 2021

该研究提出了一种基于人体结构的特征表示方法，并将其应用于人员再识别领域，以提高识别性能，实验结果表明该方法的有效性。

May, 2016