本文提出了一种新颖的风格规范化和恢复模块（SNR），通过进行实例规范化来过滤出样式变化，并从残差中提取任务相关的判别特征，保证了网络的高可区分性，同时在分类、语义分割和目标检测等计算机视觉任务中验证了 SNR 的有效性。

Jan, 2021

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

本文提出了一个用于实现真实场景下的人物再识别的降解不变性学习框架，该框架采用了自我监督的分解表示学习策略，能够同时提取身份相关的强健特征，并消除真实世界中存在的降解，同时在低分辨率图像上实现了最先进的识别效果。

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

本文提出了一种新方法 MixNorm 来从数据增强的角度解决多源人物再识别任务的问题，包括 domain-aware mix-normalization 来增强模型的泛化能力并解决过拟合问题以及 domain-aware center regularization 来更好地学习 domain-invariant 模型。实验结果表明该方法可以优于现有的方法，并具备优越性。

Jan, 2022

本研究旨在探索利用多个标记数据集来学习通用的域不变表示，以适用于每个新的人重新识别场景。通过开发 DataHunter 来搜集 YouTube-Human 和其他标注数据集，本文提出了一个简单但有效的半监督知识蒸馏框架，并在 FastHuman 基准测试上证明了所提出的框架的有效性，可与目标领域上的监督学习相媲美。同时，研究者希望该基准测试能够带来领域可推广的人重新识别算法的下一步发展。

Aug, 2021

本文提出了一种基于 Generalizable Metric Network (GMN) 的 Person Re-identification (Re-ID) 方法，通过在测试阶段结合 Metric Network 和正、负样本对进行训练，使用 Dropout-based Perturbation (DP) 模块来丰富样本对的多样性，从而增强模型的泛化能力，并使用 Pair-Identity Center（PIC）Loss 来提高模型的区分能力以在多个基准数据集上验证所提出方法的有效性。

Jun, 2023

本文提出了一种使用相似度保持对抗生成网络（SPGAN）的无监督学习框架，用于域适应中的人员重新识别，其保持图像的自我相似性和领域不相似性，从而提高人员重新识别精度。

Nov, 2017

本文研究了人物重识别中的无监督域自适应问题，提出了一种基于样例、相邻和摄像机属性的不变性学习框架，并在三个重识别基准测试中取得了新的最佳结果。

Aug, 2019