该研究提出了一种名为 Feature Recovery Transformer（FRT）的新方法，通过可见性图匹配和特征恢复变压器来同时解决干扰噪声和遮挡带来的行人信息损失的问题，与其他最新技术相比，在挑战性的 Occluded-Duke 数据集上的准确性提高至少 6.2% Rank-1 和 7.2% mAP 打分。
Jan, 2023
我们提出了一种基于局部特征变换器的人员再辨识框架（PFT），通过三个模块设计，在提高视觉变换器的效率的同时最大限度提取局部特征，实现了对局部遮挡情况下的人员再辨识。实验结果显示，PFT 网络在遮挡和整体再识别数据集上表现出优异性能，并优于现有技术。
Jan, 2022
利用区域生成和评估网络（RGANet）有效而高效地检测人体区域并突出重要区域，通过区域生成模块（RGM）和区域评估模块（RAM）解决了现有人物再识别方法中存在的挑战，如失配和遮挡以及外部工具和比对策略带来的不可靠性和噪声敏感性。
Sep, 2023
本研究提出了一种有效的 RGB 图像 / 视频的遮挡检测和重建框架，采用卷积神经网络进行遮挡检测，Conv-LSTM 和自编码器用于重建遮挡帧和使用条件生成对抗网络微调和修复重建的 RGB 帧，通过与其他先进技术比较分析，我们的方法在各种数据集上展现出鲁棒性，成为现实生活监控系统应用的优秀选择。
Apr, 2023
本文提出了一种新颖的网络，称为空间时间补全网络 (STCnet)，以明确解决视频人员重新识别 (re-ID) 中的部分遮挡问题。通过将重新识别网络与 STCnet 相结合，提出了一个对部分遮挡具有鲁棒性的视频重新识别框架 (VRSTC)，在三个具有挑战性的视频重新识别数据集上的实验证明了该方法的超越性。
Jul, 2019
本文提出了一种抵御遮挡和无需精确定位的人物重识别方法，并扩展其应用于更为真实和拥挤的场景中，在三个挑战性遮挡数据集和三个基准人物数据集上获得了极高的准确率。
Apr, 2019
本文提出一种教师 - 学生学习框架，通过构建共同显著特征提取网络和跨域模拟器，从全身人的领域中学习抗遮挡模型，并将该知识转移至真实遮挡人体数据以实现更好的人重识别性能。实验结果在四个参考数据集上表明本文方法优于其他最先进的方法。
通过使用集成模型和深度神经网络结构，提出了一种在人员重新识别中处理遮挡的方法，该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明，所提出的方法具有竞争力的排名 - 1 和 mAP 表现。
Mar, 2024
提出了一种利用人体解析辅助的 Transformers 解码器构成的 “师生解码器” 框架，用于解决遮挡下的人员重新识别问题，并提出了一个新的基准测试集，该测试集使用非遮挡查询样本，实验证明了该方法的优越性。
Dec, 2023
本文提出了一种基于区域的特征强化网络 (REFL-Net)，将点云表示为区域来减少计算压力，并设计了以区域为基础的特征强化模块 (RFE) 来提高模糊点的特征表示，实现了强大的长程上下文建模和领域泛化能力。实验结果显示，REFL-Net 在 ScanNetv2 和 S3DIS 数据集上均达到了显著的增益。