我们开发了一个统一的感知和导航框架，利用视觉重新识别、手势检测和无碰撞导航的组合，使机器人能够识别和跟随目标人物，并避免障碍物和其他个体在环境中，以此实现人机协作中机器人的操作灵活性以及个性化辅助的提供。

Nov, 2023

本文提出了一种基于时间模型适应的新方法，通过人的参与使用基于图形的方法更新最具信息性的探针 - 图库匹配，从而有效减少了人工配对标签的工作量，在三个数据集上的实验均证明该方法表现优于现有技术。

Jul, 2016

本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

Oct, 2022

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

这篇文章介绍了人员再识别技术及其发展历史，对手工算法和深度学习算法在画面和视频再识别任务中的表现进行了概述，描述了未来方向和需要提高的问题。

Oct, 2016

本文通过对 2015 年至 2021 年间 230 多份文献的系统调查，首次综合性地回顾了针对各种视觉挑战的人员重新识别 (person re-identification) 方法，分析了当前方法的优缺点，提出了未来研究的发展方向。

Feb, 2022

本文提出了一个完整的车辆重识别解决方案，旨在解决单目相机视角下的车辆识别困难以及多相机视角下同一车辆外观变化大的问题，并通过实验表明我们的解决方案在实践中实现了最先进的准确性。

Jun, 2020

我们提出了一种新颖的无监督域适应方法，用于人物再识别（reID），该方法将在标记源域上训练的模型推广到未标记的目标域。我们介绍了一种基于摄像头标签的相机驱动课程学习（CaCL）框架，通过渐进地训练目标域数据集的多个子集，将知识从源域转移到目标域。我们的方法在标准基准测试中取得了显著的效果。

Aug, 2023

提出一种基于人机交互 (Human Verification Incremental Learning) 的人体再识别模型，将人类反馈信息累计到模型中，从而实现模型的标记无关性和可伸缩性，同时使用正则化的度量集成学习 (Regularised Metric Ensemble Learning) 模型，当没有人类反馈时将一系列增量学习的 HVIL 模型结合成单个集合模型，以处理大型库问题。

Dec, 2016

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