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

本文提出了一个通过通道分组和多分支策略来划分全局特征的个人再识别框架，以学习多个通道组的判别式全局特征，并证明了其在准确性和推理速度方面优于现有技术水平。

Sep, 2018

本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

Feb, 2018

这篇论文对于人员再识别技术进行了全面的评估和表现评估，并实现了一个包括 11 个特征提取算法和 22 种度量学习技术的统一代 码库，使用 17 个不同的数据集进行了评估，旨在为这个领域提供公开、准确、全面的基准。

May, 2016

本文介绍了一种基于简单的深度架构的策略，通过精细地设计架构的每个组件以及有效训练来实现人物重新识别的最佳实践，其能够比复杂的具有补充部件的方法更好地定位和对齐具有识别性的图像区域，并提出了一种类似于隐式注意力机制的训练表示方法。经过在四个基准数据集上的广泛评估，该方法可以比其他复杂方法更好地实现人物重新识别。

Jan, 2018

本研究提出了一种自学习子空间学习方法，可以将有标签数据与无标签数据相结合以实现人员再识别，并采用多内核嵌入策略来处理人的外观非线性变化，实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。

Apr, 2017

该研究提出了 OIMNet++ 用于人员搜索，此方法采用 ProtoNorm 进行标定和 L2 正则化的人员特征表示以具有更好的可识别性，同时引入了一个定位感知的特征学习方案，以更好地对齐提案并增强判别性别表示。

Jul, 2022

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

本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。

Nov, 2016

本文介绍了一种基于 CNN 的方法，通过约束权重来学习具有良好鲁棒性的判别度量，其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层，通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。

Nov, 2015