我们提出了 Content and Salient Semantics Collaboration（CSSC）框架，通过有效利用行人图像中存在的丰富语义而无需任何辅助手段，实现了衣物变换的人物重识别。我们的方法通过提取关于内容和显著语义的稳健身份特征，并有效地减少了服装外观的干扰，从而在三个衣物变换基准数据集以及传统基准数据集上取得了最先进的性能，显示了其优越性。

May, 2024

本文提出一种名为 GI-ReID 的框架，利用人体独特的不依赖于衣服的步态信息作为辅助任务，从单张图像识别行人并实现实时监控，并在衣服变化的 ReID 标准测试集上得到了显著的性能提升。

Mar, 2021

本文提出了一种语义掩膜驱动的对比学习方法，通过学习层次语义邻域结构中的 RGB 和语义特征，学习跨服装不变性，实现了长期无监督人员再识别。实验表明，与无监督 re-id 竞争对手相比，我们的方法具有更好的性能，并且与监督基线只有很小的差距。

May, 2023

通过在人物换装场景中使用与服装无关的特征来检索和识别特定行人的换装人物重识别目标中，该论文定义了遮挡换装人物重识别作为一个新的任务，并构建了两个用于不同遮挡情境的遮挡换装人物重识别数据集。

Mar, 2024

通过使用语义一致性网络（SCNet）以及一系列有效的一致性约束条件，我们的研究旨在解决服装改变可能发生的情况下，跨多个监控摄像头检索目标人员的困难任务。结果表明，SCNet 模型在几个衣服变换人物重识别数据集上取得了显著进展，并且无需使用额外的辅助分割模块。

Aug, 2023

为了解决现有 CC-ReID 数据集中缺乏足够训练样本的问题，本研究提出了一种 Identity-aware Dual-constraint Network (IDNet)。通过引入 Clothes Diversity Augmentation (CDA)、Multi-scale Constraint Block (MCB)、Counterfactual-guided Attention Module (CAM) 和 Semantic Alignment Constraint (SAC) 等模块，该方法能够在更真实的监控场景中准确识别目标人员，并在实验中表现出超越现有方法的性能。

Mar, 2024

通过 Pose Guidance by Supervision（PGS）框架，利用预训练特征中的姿势知识和人体部位信息引导深度学习模型关注与服装无关的信息，从而缓解服装对模型的影响，进而在 Person Re-Identification 任务中获得了具有竞争力的结果。

Dec, 2023

本研究首次系统地研究了目标人物更换服装（服装不一致问题）对基于人员再识别（ReID）的 AI 视频监控应用的影响，通过采集小样本真实数据集进行测试，并构建大规模逼真的合成数据集进行训练和深入研究， 发现更换服装使得 ReID 成为一个更加困难的问题，并挑战了现有模型对于识别穿着未知（新）服装的人员的泛化能力，本研究可有助于鼓励更多相关研究。

Mar, 2020

通过轮廓素描提取人体形状特征进行跨服装人物再识别，训练新的数据集，并在实验中展示了我们的方法的有效性。

Feb, 2020

该研究采用多目标优化解决方案，通过衣物变化合成和训练，成功改善了衣物变换人员识别模型在衣物保持不变条件下的性能，同时在标准人员识别任务中也表现出了卓越的性能。

Apr, 2024