本文介绍了一个名为 LUPerson 的大规模未标记人物重识别数据集，并尝试进行无监督预训练来提高学习到的人物 Re-ID 特征表示的泛化能力，探究了数据增强和对比损失等方面对学习 Re-ID 特征的关键因素，其使用预训练模型可以获得在现有数据集上的最先进结果。

Dec, 2020

论文提出了一种基于软多标签学习的无监督人物识别方法，该方法引入了参考代理学习来表示每个参考人物，利用视觉特征和软多标签的相似性一致性对目标域学习了区分嵌入，并开展了跨视角一致的软多标签学习以实现学习目标的达成。

Mar, 2019

本文提出了一种选择性轨迹学习方法，通过无监督的方式从未标记过的轨迹数据中训练有较强区分度的人物重新标识模型，采用数据自适应的图像对轨迹的选择性匹配损失函数，该方法在多相机多任务深度学习模型结构中探究，实验证明该方法比目前领先的无监督学习和单次学习的重新标识方法在三个大规模轨迹人员重新标识基准测试中表现显著。

Jan, 2021

本文提出了一种渐进无监督学习（PUL）方法，将预训练的深度表示转移到未见过的领域来改进人员重新识别（re-ID）的准确度，并使用自主学习自然地表达了整个过程。

May, 2017

本文设计了一个基于对比学习管道的无监督预训练框架 UP-ReID，旨在解决细粒度 ReID 特征学习中的两个关键问题，并介绍了全局一致性和局部补丁之间的内在对比约束，在多个流行的 Re-ID 数据集上进行了广泛的实验，结果表明，我们的 UP-ReID 预训练模型可以显著改进下游 ReID 微调，并实现了最先进的性能。

Dec, 2021

该论文提出了一种无监督的个体重识别方法，通过伪标签训练并使用不同本地视图的多视图特征来丰富特征表示，同时利用教师模型的知识来减少噪声干扰，经过特征净化模块的处理，其无监督个体重识别表现优于目前最好的方法，特别是在 Market-1501 数据集上 ResNet-50 下，实现了 94.5%@Rank-1 的准确度。

Apr, 2022

无监督可见 - 红外人物重识别 (USVI-ReID) 中的伪标签校准与邻近关系学习方法 (RPNR) 能够有效改进模型鲁棒性和提高准确度。

May, 2024

提出了两种策略来学习大规模无标签数据，其中第一种策略通过进行局部邻域抽样来减小数据集的大小，而不违反邻域关系，第二种策略采用了一种较快且内存高效的重新排名技术，并介绍了一种新的调度算法来调整训练中的密度参数，使学习对噪声标签具有鲁棒性。此外，还引入了一种共训练策略，通过预测伪标签在不同模型之间的排列来增强模型性能。

Jul, 2023

提出了一种基于深度学习检测和追踪的重新检测和链接模块，并结合粗到细轴向注意网络优化了视频行人重识别，可以显著降低计算成本并在 MARS 数据集上实现排名 1 的最高表现，能够解决由于不完美的检测和跟踪结果导致的空间和时间错配问题，同时发现了数据集中的噪声和评估协议错误，为是次领域研究提供了可靠的数据和基础工具。

May, 2021

本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。

Nov, 2016