本研究旨在探索利用多个标记数据集来学习通用的域不变表示，以适用于每个新的人重新识别场景。通过开发 DataHunter 来搜集 YouTube-Human 和其他标注数据集，本文提出了一个简单但有效的半监督知识蒸馏框架，并在 FastHuman 基准测试上证明了所提出的框架的有效性，可与目标领域上的监督学习相媲美。同时，研究者希望该基准测试能够带来领域可推广的人重新识别算法的下一步发展。

Aug, 2021

本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性，并以三个数据集为基准测试了四种方法，提供指南以帮助未来设计更好的人物重新识别流水线。

Dec, 2022

本文提出了一个大规模预训练框架，采用在线多目标跟踪系统对现有未标记的 Re-ID 数据集 “LUPerson” 中的原始视频进行预处理，并通过三个学习模块联合学习，以簇类相似的样例到一个原型上并根据原型分配校正噪声标签，实现从头开始学习 SOTA Re-ID 表征，显著提高了性能。

Mar, 2022

通过引入大规模、多样式和跨样式三个基准，该研究提出了解决主观性挑战的方法，包括非局部融合模块和属性对齐模块，取得了在这些基准中的领先性能。

Sep, 2023

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

这篇论文旨在使用大规模视频学习一个领域通用的人物再识别表示，不需要任何标注。通过利用大规模无监督数据进行训练，该论文提出了一种身份寻求自监督表示学习方法，以解决数据和标注的问题。该方法构建了正样本对，通过将实例关联建模为最大权重二分匹配问题。并且还提出了一个可靠性引导的对比损失，以抑制噪声正样本的负面影响，确保可靠的正样本主导学习过程。ISR 在市场 - 1501 和 MSMT17 数据集上达到了 87.0% 和 56.4% 的 Rank-1 指标，在无人标注和微调的情况下分别超过了最佳监督领域通用方法 5.0% 和 19.5%。在预训练 -> 微调方案中，ISR 在 MSMT17 数据集上达到了 88.4% 的 Rank-1 指标。

Aug, 2023

采用随机学习策略和统一的距离矩阵，提出了一种无监督的人员重新识别方法，以避免训练偏差和聚类错误的影响。

Aug, 2021

提出了一种基于少量样本对的新损失范式，稀疏成对（SP）损失，以及一个新的适应性正类挖掘策略，自适应稀疏成对损失（AdaSP）损失，用于对象重新识别，具有优于其他成对损失的表现，达到了几个重新识别基准的最新水平 。

Mar, 2023

本研究提出一种基于深度学习和自动原型域发现的人员再识别方法，该方法具有自适应的学习能力和模型选择能力，可以自动选择最接近的原型域模型进行再识别，无需监督或非监督域自适应学习。实验证明，该方法优于当前大多数监督和非监督方法。

Oct, 2016

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