本文提出了全局 - 局部时间表征（GLTR）的方法，以利用视频序列中的多尺度时间线索进行视频人物重新识别。这种方法通过对相邻帧中的短时时间线索进行建模，然后捕捉不连续帧之间的长期关系来构建。其中，短期时间线索是通过不同的时间扩张率平行膨胀卷积来表示行人的运动和外貌。利用时间自我注意模型来捕捉长期关系，以减轻视频序列中的遮挡和噪音。最终，通过简单的单流卷积神经网络将短期和长期时间线索聚合形成 GLTR。在四个广泛使用的视频 ReID 数据集上，GLTR 相对于基于身体部分线索或度量学习学习到的现有特征表现出显著的优越性。例如，在 MARS 数据集上，它取得了 87.02％的 Rank-1 精度，而且没有经过一次排序，优于目前的最新技术水平。

Aug, 2019

提出一种创新性的自适应图形表示学习方案，用于视频人员重识别；该方案利用姿势对齐连接和特征亲和连接构建自适应结构感知邻接图，以迭代地完善区域特征，并将周围节点信息考虑在部分特征表示中；进一步提出了一种新的时间分辨率感知正则化，用于学习紧凑而区分性的特征表示。

Sep, 2019

本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量，采用深度卷积网络和循环神经网络进行时间序列建模和度量学习，通过时间汇聚产生整体特征表示，在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的性能水平。

Jun, 2016

本文提出了一种新的 CTL 框架来实现视频行人重新识别，其通过建模跨尺度时空相关性来追求具有辨别力和鲁棒性的表征，采用了卷积神经网络和关键点估计器来抽取人体的语义局部特征，并通过构建多尺度图形来捕捉分层时空依赖性和结构信息，最终证明了该方法在两个视频基准上实现了最先进的表现。

Apr, 2021

本文提出了一种新的模型，可以从含有噪声 / 不完整人员图像序列中自动选择最具差别性的视频片段，从而可以计算可靠的时空和外观特征，同时学习用于人员重识别的视频排名功能。

Jan, 2016

提出了一种名为长短期表示学习（LSTRL）的新型深度学习框架，通过多粒度外观提取器（MAE）和双向运动估计器（BME）有效地提取长期和短期信息，显著改善了视频行人重新识别（V-ReID）的特征表示能力。实验证明，该方法在三个广泛使用的基准测试上表现出更好的性能。

Aug, 2023

本文提出了一种新颖的特征学习框架，用于视频中的人物再辨识，主要利用视频序列中的适当时间信息和解决运动行人的空间对齐问题，并设计了一个时间残差学习（TRL）模块和一个空间 - 时间转换器网络（ST^2N）模块。经过广泛实验验证，提出的方法在各大数据集上都取得了一致优秀的表现，并超越了绝大多数最新的最先进方法。

Feb, 2018

本文提出了一个 Multi-granularity Image-text Alignments (MIA) 模型，用于减轻描述基础人物的 Re-id 中的跨模态细粒度问题，以进行更好的相似度评估。实验表明，该方法在 CUHK-PEDES 数据集上取得了最先进的性能，并且实现了显着优于以往方法的效果。

Jun, 2019

本研究旨在解决视频行人重新识别中的空间对齐问题和时间依赖性问题，提出了一种使用 3D 卷积和非局部块进行特征聚合的网络架构，实验结果表明该方法在多个指标上的性能均优于现有技术。

Jul, 2018

本文提出了一种名为 AlignedReID 的新方法，通过局部特征的对齐匹配和全局特征的共同学习，提高了全局特征的学习效果并且超越了现有的 Person ReID 方法。在 Market1501 和 CUHK03 这两个广泛应用的人员再识别数据集方面，相对于现有的最优方法，本方法的排名 1 准确度分别提高了 94.4% 和 97.8%，超过了人类的水平。

Nov, 2017