免锚人员搜索
本研究提出一种基于 AlignPS 框架的人物检索网络，采用 anchor-free 检测器，引入对齐特征聚合模块来生成更具辨别力和鲁棒性的 re-id 特征嵌入，同时并将 ROI-Align head 集成到模型中，该模型在 CUHK-SYSU 和 PRW 数据集上实验，显示出与最新模型相媲美的性能，并具有更高的效率。
Sep, 2021
该论文提出了一种名为 PAN（行人对齐网络）的算法，该算法采用卷积神经网络进行表示学习和行人对齐，以解决行人重识别中的对齐问题，并在三个大规模数据集上展示了具有竞争性的准确性。
Jul, 2017
本文提出了一种针对人员搜索的 Align-to-Part 网络，可以解决由遮挡等因素导致的检测边界框不精确问题，并且还建立了大规模的人员搜索数据集 LSPS。实验证明，该网络在 LSPS 上具有显著的性能提升，并且在 CUHK-SYSU 和 PRW 等基准测试上也取得了竞争性的表现。
Apr, 2020
本文提出了一种基于前景分割的人物搜索方法，将对象检测和人物重识别模型分离，使用两个不同的 CNN 来分别提取主体和原始图像的特征，并在 CUHK-SYSU 和 PRW 两个公认的基准测试中实现了比现有方法高 5pp 以上的 mAP 值，效果显著。
Jul, 2018
本文提出了一种基于领域自适应的人员搜索模型 (DAPS)，该模型通过设计一种新的领域自适应模块，最小化领域偏差，并结合伪边界框及动态聚类策略，帮助模型在未标记目标域中训练人员检索任务，实现了相对于现有方法更高的性能。
Jul, 2022
本文提出了一种深度学习的交叉层语义对齐方法（CLSA），用于解决人物搜索中的多尺度匹配问题，并成功地减少了误差和计算量，该方法在两个大型人物搜索基准数据集（CUHK-SYSU 和 PRW）上性能卓越。
Jul, 2018
本研究提出了一种基于 re-ID 驱动的定位精化框架，通过可微的 ROI 转换层有效地转换原始图像中的边界框，实现对检测框的监督，从而提高行人搜索的效果。实验结果显示，该方法在常用的基准测试中对比现有方法表现明显更好。
Sep, 2019
提出了一种基于 Sequential End-to-end 网络和 Context Bipartite Graph Matching 算法来提升 person search 中 re-ID performance 的方法，并在 CUHK-SYSU 和 PRW 两个 benchmark 上取得了最先进的结果。
Mar, 2021
本研究提出了一种基于密集语义对齐的人员再识别框架，通过利用人图像的密集语义估计，构建了一组密集语义对齐的部分图像，设计了一个两流网络，其中一个流具有密集语义对齐，它通过引导主全流学习来解决不同图像之间的身体不对齐问题。最终，在 CUHK03、CUHK01 和 Market1501 数据集上将表现优于现有方法，最高 rank-1 精度达到 95.7％。
Dec, 2018