展示了将相似度比较网络应用于动物再识别的能力，同时证明了深度卷积神经网络在不同物种之间具有泛化性能，并通过比较两种相似性比较方法：Siamese 和 Triplet-Loss 以及五个数据集的实验结果，表明 Triplet Loss 的表现要优于 Siamese，在考虑均值平均精度（mAP）@ 1 和 mAP@ 5，并且并不需要进行任何针对特定物种的修改。

Feb, 2019

本文提出 Attention and CL loss，结合了 center，online soft mining (OSM) loss 和 attention loss，运用于基于时间注意力的神经网络上，通过一系列训练技巧，优于现有状态的 person Re-ID 数据集，MARS 和 PRID 2011。

Nov, 2019

本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

Mar, 2018

本文提出了一种新的粗到细的金字塔模型，以减少对精确边界框的依赖，该模型能够在不同尺度上匹配并搜索相同身份的正确图像，并提出了一个动态训练方案来学习具有判别性的身份表示，在三个数据集上实现了最先进的结果，尤其是在最具挑战性的 CUHK03 数据集上，超过当前最佳方法 9.5％。

Oct, 2018

本研究设计了一种对比神经网络模型，通过大型狗图片数据集训练，经过 350 次训练，该模型测试准确率达到 90％，成功防止了过拟合，结果表明对比神经网络模型具有非常好的定位失去宠物的潜力，并且可用于上传宠物照片进行快速准确的定位和与家庭团聚。

Apr, 2023

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

该论文提出了一种基于多图像区域（头部、身体等）的简单的人员识别框架，以应对社交媒体照片中的人员识别问题，并针对训练和测试样本之间的时间和外观差距提出了新的识别方法，该方法在 PIPA 基准上取得了最先进的结果，对不同的特征进行了深入的分析。

Oct, 2017

论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法，可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像，成功地在 CUHK01，CUHK03 和 Market 1501 数据集上超越了现有的先进方法。

Jul, 2017

本篇研究提出了一种基于学习人类显著性和匹配显著性分布的人物再识别新方法，包括了临接受限制补丁匹配（adjacency constrained patch matching）、K 最近邻算法、一类支持向量机方法，以及统一的 RankSVM 框架，其在 VIPeR 数据集以及 CUHK01 数据集上表现优于其他人物再识别方法。

Dec, 2014

通过深度学习训练的 DeepID2 特征结合人脸识别和验证信号能够有效地减少人脸识别中的人际差异和人内差异并实现高辨识率。

Jun, 2014