人物重新识别中针对遮挡问题，提出了一种创新的端到端解决方案，名为动态 Patch 感知增强变换器 (DPEFormer)。通过动态选择关键区域和实现更真实的遮挡增强，该模型在遮挡和整体重新识别基准测试中取得了显著的进展。

Feb, 2024

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。

Jul, 2019

本文提出了一种基于深度学习的 Attention Framework of Person Body (AFPB) 方法，其中包括自动生成人体遮挡的 Occlusion Simulator (OS) 和多任务损失，旨在解决在人群密集的公共场所中遭遇的遮挡问题，该新问题称为遮挡人物重新识别问题，实验表明该方法优于现有的三个基准方法。

Apr, 2018

本文提出了一种动态掩蔽感知变换器（DMAT），用于从遮挡图像中推断不可见的人体部分的外观，解决了人体去遮挡任务，对于人员重新识别和意图推断等与人类相关的任务具有巨大价值。通过设计扩展的卷积头部，并整合多个掩蔽蒙版，提出新颖的动态多头人掩蔽引导注意机制，强调可见的人体部分，利用区域上采样策略减轻插值图像受遮挡的影响，并引入无模损失进行学习，在 AHP 数据集上的广泛实验表明其优于最新的最先进方法。

Feb, 2024

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

本文提出了一种基于空间注意力的动态部件模板初始化模块，该模块使用骨干网较早层的中级语义特征动态生成部分模板。我们还探索了自适应加权部分描述符来量化局部属性的缺失或遮挡，增强了对人体各部分的表示的识别能力，并在整体、遮挡和部分 Re-ID 任务基准测试中进行了大量实验证明了提出的算法具有竞争性的性能。

Aug, 2022

该论文提出一种基于姿态引导可见部分匹配 (PVPM) 方法，该方法在端到端框架中通过姿态引导注意力和自我挖掘部分可视性来共同学习判别特征以识别受遮挡的人物。实验结果表明，该方法在三个报道的受遮挡基准测试中达到了与最先进方法相媲美的性能。

Apr, 2020

提出了一种基于掩膜学习的策略来提高面部识别性能，通过深度卷积神经网络中的特征去除来解决部分区域遮挡的问题，并在 SYNTHIA-FACE 和 RAISE-AF 数据集上进行了综合实验，表明该方法明显优于现有技术。

Aug, 2019

通过基于变压器编解码器架构的多元部分发现，包括基于像素上下文的变压器编码器和基于部分原型的变压器解码器，我们提出了一种新的端对端的面向部分的变压器，用于处理拥挤情景中受遮挡的人物重识别。实验结果表明，提出的方法在三个任务（受遮挡，部分和整体重识别）的六项基准测试中表现良好。

Jun, 2021

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