本文旨在探讨如何在无监督行人重识别系统中进行跨摄像头标签估计，并提出了一种动态图匹配方法 (DGM)，通过学习中间估计标签来更新图像图和标签估计过程，降低跨摄像变化造成的不准确性。在多个基准测试中进行了广泛的实验，结果表明，DGM 与全监督基线相当，并优于竞争的无监督学习方法。

Sep, 2017

该论文提出了一种基于空间图注意力的新型车辆重新识别方法，它能够精确探索特征图的空间重要性，进而达到明显的性能提升。高效的网络设计可以使其适用于各种规模的特征图，并且在三个大规模数据库方面优于现有的车辆重新识别方法。

May, 2020

基于自适应 Parzen 窗方法和融合网络的空时域车辆重新识别框架在公共数据集（VeRi776）上取得 99.64% 的 rank-1 准确率，实验证明利用空时信息可以提高基于外观的方法的准确性并有效处理外观歧义。

Sep, 2023

该论文提出了一种称为 SGGNN 的新型深度学习框架，它可以使用关系信息来更新 probe-gallery 关系特征，通过使用这些特征进行预测可以实现准确的相似度估计。SGGNN 通过直接使用富标签的图库实例对学习边权重进行改进，将提供更精确的关系融合信息。该方法在三个公共人员再识别数据集上具有有效性。

Jul, 2018

本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

Aug, 2018

本文提出一种基于稀疏图形表示的判别分析方法，针对异构人脸识别场景下出现的纹理差异等问题，设计了自适应的稀疏图形表示方案，通过 Markov 网络生成自适应稀疏向量；并引入基于空间分块的判别分析方法以优化自适应稀疏向量，实验证明该方法在 6 个常用异构人脸数据集上达到了优异表现。

Jul, 2016

本文介绍了一种基于增强 Siamese 神经网络的相似性映射的跟踪系统，该系统考虑了外观和几何信息，并可进行端到端的训练，以减少整体系统复杂性和需要针对特定环境进行调整的超参数数量，在 MOT16 挑战中取得了具有竞争性的速度和准确性。

Sep, 2016

提出了一种基于语义标签训练的、能够较为准确地预测车辆不同视角部分的注意力掩码的 Semantics-guided Part Attention Network (SPAN) 模型，结合 Co-occurrence Part-attentive Distance Metric (CPDM) 进行特征提取和度量，有效提高了车辆重识别的精度。

Aug, 2020

本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。

Jul, 2023

这篇论文提出了一种新的图级融合模块 Different Attention（DiffAtt），并证明了图级融合嵌入能够显著优于复杂的节点级融合嵌入，通过 DiffAtt 的算法 REDRAFT 在五个基准数据集中的 23 个评估指标中取得了最先进的性能，尤其是在 MSE 上分别超出第二名 19.9%、48.8%、29.1%、31.6% 和 2.2%，此外，作者提出了一种定量测试 RESAT，以验证 DiffAtt 生成的融合嵌入能够最好地捕捉两个图之间的结构差异。

Aug, 2023