该研究提出了一种用于人员再识别的 “分治与利用” 重排序框架，它可以利用从高维特征向量不同部分中提取的多样性进行融合排序。

Aug, 2017

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

该研究提出了一种新的无监督人员重识别方法，使用元数据信息构建超图进行特征学习和标签细化，并采用标签传播方法和基于内存的列表损失对重识别结果进行有效的细化和优化。对三个基准测试的广泛实验显示出该方法对现有方法具有显著提高。

Oct, 2021

该论文提出了一种应对分布式多摄像头监控系统中人员再识别任务的新方法，通过建立统一的深度排名框架来解决特征工程和评价设计的问题，并提出了一种有效的深度卷积神经网络来解决相似度得分的相关性，在 VIPeR, CUHK-01 和 CAVIAR4REID 数据集上比传统方法和基于 CNN 的方法表现显著优于所有最先进方法，具有更好的泛化能力。

May, 2015

本文提出了一种基于生成对抗网络和半监督多特征聚类的联合伪标记策略，通过无监督域适应和在非标记目标域中挖掘潜在相似性，提高目标域的特征表示能力，同时通过半监督多特征聚类学习目标域的内部数据结构，取得了良好的无监督个体重新识别表现。

Aug, 2022

本文提出了一种有效的人物再识别方法，结合了 fine 和 coarse pose 信息的卷积神经网络，同时提出了一种新的无监督自动重排架构，取得了优异的效果。

Nov, 2017

提出一种基于无监督增量学习、迁移学习和贝叶斯融合模型的人物再识别算法，通过将视觉分类器从已有的小型单一数据集转移到未标记的目标领域，以学习行人的时空模式，并将其与视觉特征结合，最终利用基于学习排序的相互促进过程来增量地优化，实验结果表明，相比于现有的跨数据集无监督人物再识别算法，该算法取得了显著的改进。

Mar, 2018

本文提出了一种基于图形结构洞察力的多标签预测和分类方法，它从人体图像中提取特征并生成一个由特征和它们之间的相似性作为节点和边的图形。在此基础上，提出了 GSMLP 和 SMLC 两种方法，可以在不需要预标记数据集的情况下提高无监督个人 Re-ID 的性能，在实验中获得了最先进的性能表现。

Jun, 2021

该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法，通过内部相机特征分布和自适应学习得到更加可靠的伪标签，取得了优于当前最先进方法的结果。

Apr, 2023

本文提出了一种新的模型，可以从含有噪声 / 不完整人员图像序列中自动选择最具差别性的视频片段，从而可以计算可靠的时空和外观特征，同时学习用于人员重识别的视频排名功能。

Jan, 2016