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

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

提出了一种新颖的领域自适应人员重识别方法，旨在通过无配对样本的监督实现跨摄像头的连续辨别特征学习，并利用跨摄像头相似样本解决跨区域行人身份匹配的挑战。

Jul, 2023

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

本文提出了一种名为 VCFL 的最新的 Person Re-ID across cameras 的可训练框架，该框架通过利用视图混淆学习机制来学习视图不变的特征，并结合了视图通用性和视图特定性的方法，并利用诸如分类器和特征中心等技术来实现视图混淆。

Oct, 2019

提出基于独立相机身份标注的人物再识别范式，称为 ICS，并设计了一种用于跨相机识别的多任务深度学习方法 MATE，该方法相对于现有方法和无监督的学习模型在三个大型数据集上的效果更好。

Feb, 2020

提出使用单摄像头进行训练的人物再识别（SCT re-ID）方法，旨在在仅出现在一个摄像头中的 SCT 数据集上训练 re-ID 模型。引入 Camera-Invariant Meta-Learning Network（CIMN）来学习相机不变的特征表示，通过元学习策略进行跨摄像头模拟，以提高泛化能力并取得了比现有方法更好的性能。

Jun, 2024

使用 CycleGAN 的相机风格转换方法 (CamStyle) 进行数据增强和标签平滑正则化 (LSR) 处理，以解决人物再识别中不同相机影像风格引起的问题，并在少量相机系统中表现出相当的精度。

Nov, 2017

本文提出了一种统一框架来解决无监督的人员再识别问题，旨在解决聚类产生的嘈杂标签和相机偏移引起的特征变化。该框架包括 Dynamic and Symmetric Cross-Entropy 损失和 MEtaCam 算法来实现相机不变特征，得到了比现有方法更好的无监督人员再识别和领域自适应无监督人员再识别性能。

Mar, 2021