本文介绍了一个名为 LUPerson 的大规模未标记人物重识别数据集，并尝试进行无监督预训练来提高学习到的人物 Re-ID 特征表示的泛化能力，探究了数据增强和对比损失等方面对学习 Re-ID 特征的关键因素，其使用预训练模型可以获得在现有数据集上的最先进结果。

Dec, 2020

提出了一种全面解耦的网络模型，用于实现端到端的人员搜索，并在检测和重新识别子任务上进行任务增量训练，从而实现了独立学习和最优化的人员搜索效果。

Sep, 2023

本文提出了一种基于前景分割的人物搜索方法，将对象检测和人物重识别模型分离，使用两个不同的 CNN 来分别提取主体和原始图像的特征，并在 CUHK-SYSU 和 PRW 两个公认的基准测试中实现了比现有方法高 5pp 以上的 mAP 值，效果显著。

Jul, 2018

该论文介绍了一种面向文本到图像人物重识别任务的统一预训练方法 (UniPT)，通过构建大规模的文本标注人物数据集、使用视觉 - 语言预训练框架来对齐图像和文本模态的特征空间，解决了数据不一致性和训练不一致性的问题。UniPT 在多个数据集上取得了有竞争力的准确率。

Sep, 2023

本文提出了一个大规模预训练框架，采用在线多目标跟踪系统对现有未标记的 Re-ID 数据集 “LUPerson” 中的原始视频进行预处理，并通过三个学习模块联合学习，以簇类相似的样例到一个原型上并根据原型分配校正噪声标签，实现从头开始学习 SOTA Re-ID 表征，显著提高了性能。

Mar, 2022

本篇研究旨在探讨利用数据和模型结构两个角度缩小 Transformer 预训练在 Person Re-Identification 任务中的领域差距。首先利用无标签人员图像预训练 Vision Transformer 来代替通常需要更大规模预训练数据集如 ImageNet-21K 的方法，并用 Catastrophic Forgetting Score 和 ReID-specific module 对领域差距进行缩小。最终成果是在 Market-1501 和 MSMT17 上获得了最先进的性能表现。

Nov, 2021

本文提出了一种基于领域自适应的人员搜索模型 (DAPS)，该模型通过设计一种新的领域自适应模块，最小化领域偏差，并结合伪边界框及动态聚类策略，帮助模型在未标记目标域中训练人员检索任务，实现了相对于现有方法更高的性能。

Jul, 2022

提出了一种新的 Diffusion-ReID 范例，通过生成和过滤阶段来有效增强和生成不同的图像，首先创造了一个新的大规模人员重识别数据集 Diff-Person，接着构建了一个基于 Diff-Person 预训练的更强大的人员重识别模型，与其他预训练和自监督竞争者相比，展现了显著的优势。

Jun, 2024

本文设计了一个基于对比学习管道的无监督预训练框架 UP-ReID，旨在解决细粒度 ReID 特征学习中的两个关键问题，并介绍了全局一致性和局部补丁之间的内在对比约束，在多个流行的 Re-ID 数据集上进行了广泛的实验，结果表明，我们的 UP-ReID 预训练模型可以显著改进下游 ReID 微调，并实现了最先进的性能。

Dec, 2021

本文将人员再识别作为图像搜索问题，并通过设计一种无监督的词袋表示法，将图像搜索技术整合到人员再识别中。同时，贡献了一个新的高质量数据集，在三个数据集上得到了与最先进方法相当的竞争结果。

Feb, 2015