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

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

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

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

本文提出了一种新的方案 —— 身份引导的协作学习方案（IGCL），通过人类的语义完全利用和身份不可变性来引导协作学习，以解决服装人物重新识别中的挑战。IGCL 实验结果表明其优于当前最先进的方法，提取的特征更加稳健，具有较强的区分性和服装无关性。

Apr, 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

本文介绍了一个新的级联网络，该网络可以在不同场景下实现个人再识别，它不仅在衣服外观发生变化的情况下进行操作，而且还利用了 “soft-biometrics” 的概念，它包括身体形态等特征来增强匹配的准确性。

May, 2020

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

本研究针对服装改变对人物再识别造成的干扰问题提出了一种基于身体形状特征表征的模型 ——Color Agnostic Shape Extraction Network (CASE-Net)。CASE-Net 通过对抗训练和特征解耦的方法学习身份的表征，可以生成与服装颜色和纹理无关的身体形状特征表征。研究还提出了两个合成数据集去测试这种方法。实验结果表明，本研究的方法优于当前其他先进的方法。

Mar, 2020

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