本研究提出了一种基于 Intra-Camera Supervised（ICS）的 Multi-Task Multi-Label（MTML）深度学习方法来解决人员再辨认问题，该方法具有较强的标注自适应性和更高的可扩展性。研究结果表明相对于现有更先进的方法，MTML 模型能够在相关的数据集上提高人员再辨认的准确性。

Aug, 2019

本文提出一种基于聚类的无监督人物重识别方法，该方法使用相机感知代理来处理大量的内部 ID 差异，并通过代理平衡采样策略和对比学习组件进一步优化模型，在三个大规模 Re-ID 数据集上得到了很好的表现。

Dec, 2020

该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法，通过内部相机特征分布和自适应学习得到更加可靠的伪标签，取得了优于当前最先进方法的结果。

Apr, 2023

本文提出一种基于 intra-inter camera 相似度的方法，生成更可靠的 pseudo-labels 用于训练 Re-ID 模型在多分支网络中，并在多个数据集上取得了 89.5% 的 rank-1 准确率，优于最新的无监督方法 9+%，同时与使用额外标注的最新迁移学习方法相当。

Mar, 2021

在单独相机监督的设置下，通过构建样式一致的环境、在每个环境中进行原型对比学习以消除相机偏差和进行跨相机内外不变性设计，本研究提出的方法有效地解决了人员再识别中的关键问题，并在多个基准测试中进行了验证。

Nov, 2023

本文提出了一种无监督的深度学习人物再识别方法 (UTAL), 通过联合学习内部相机移动轨迹的差异性和跨相机移动轨迹的关联性，能够从自动生成的人物运动轨迹数据中逐步发现和利用基础重识别差异性信息，实验结果表明该方法在八个基准数据集上优于当前最先进的无监督学习和领域自适应的人物再识别方法。

Mar, 2019

本研究提出了一种自学习子空间学习方法，可以将有标签数据与无标签数据相结合以实现人员再识别，并采用多内核嵌入策略来处理人的外观非线性变化，实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。

Apr, 2017

本文研究了单摄像机训练下的人物再识别，提出了一种新的损失函数 MCNL，利用概率来解决单摄像机下缺乏跨摄像机信息的问题，实验表明 MCNL 有效提升了 ReID 的准确率。

Sep, 2019

本文提出了一种无监督人物再识别方法，使用虚拟和真实数据进行训练，产生虚拟数据作为有标记的训练数据，利用协作过滤技术进行正样本挖掘，通过迭代优化来训练模型，实验结果表明该方法在无监督人物再识别方面达到了最先进水平。

Nov, 2018

该研究提出了一种新的渐近式跨摄像头软标签学习方法用于半监督人物重识别任务，该方法能够生成跨摄像头软标签和利用它们优化网络。在五个大规模基准数据集上进行的广泛实验表明，该方法明显优于使用标记源域或 GAN 模型生成的图像的最新无监督方法，并且甚至具有与深度监督人物重识别方法相当的性能。

Aug, 2019