本文提出了一个新颖的人物再识别系统，它结合了张量特征表示和多线性子空间学习。该方法利用预训练的卷积神经网络作为强大的深度特征提取器，结合局部最大出现（LOMO）和高斯特征（GOG）两种互补描述符。然后，使用基于张量的跨视图二次判别分析（TXQDA）来学习增强不同个体之间可分性的子空间。马氏距离用于查询样本和库样本之间的匹配和相似度计算。最后，我们通过在 VIPeR、GRID 和 PRID450s 三个数据集上进行实验来评估我们的方法。

Dec, 2023

该论文提出了一种结合了卷积神经网络特征提取方法和交叉视角二次判别分析进行度量学习的 PRe-ID 新方法，并使用马氏距离和得分规范化算法处理多摄像头下的匹配问题，实验表明该方法在多项数据集上均获得了可喜的结果。

Jul, 2023

提出 Local Maximal Occurrence（LOMO）特征表示和 Cross-view Quadratic Discriminant Analysis（XQDA）子空间及度量学习方法，通过对局部特征的水平出现进行分析并最大化它来稳定地表示特征，同时处理照明和视角变化以及学习鉴别度量来进行人物重识别，实验表明提出的方法在四个数据集上显著提高了状态的最高识别率。

Jun, 2014

本文提出 Feature Fusion Net 模型，使用手工制作的直方图和纹理特征，能够与卷积神经网络 (CNN) 特征互补，可以得到一个更具区分性和紧凑的深度特征表示，并在 VIPeR、CUHK01 和 PRID450s 三个数据集上进行了验证。

Apr, 2016

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

本文提出了一种使用 CNN 联合学习局部和全局特征的方法，用于重新识别目标，实现了对多任务的优化，通过优化多任务的联合损失函数，达到一种损失函数的平衡，该模型在 VIPeR、GRID、CUHK01、CUHK03 和 Market-1501 的五个基准测试中优于现有的各种重新识别方法。

May, 2017

本研究提出了一种新的两流空间 - 时间人物重新识别（st-ReID）框架，该框架挖掘了视觉语义信息和空间 - 时间信息，引入 Logistic Smoothing（LS）联合相似性度量，使用快速直方图 - Parzen（HP）方法近似复杂的空间 - 时间概率分布，消除了很多无关图像，在 Market-1501 和 DukeMTMC-reID 数据集上均取得了最好的准确性，进步幅度达到了先前方法的很大程度。

Dec, 2018

本文提出了一种适应于当下行人重识别局部样本结构的新型采样方法和目标函数，利用一定的局部样本来挖掘适当的正例，以提高深度嵌入的性能，并在训练过程中学习一种深度相似性距离度量，以此来增加像素级的区分度，并处理掉行人图像中的复杂性因素，本方法在基准测试数据集上取得了最好的性能表现。

Jun, 2017

本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。

Jul, 2014

本篇论文提出了一种基于深度排名模型、部分卷积神经网络以及自适应距离边缘损失函数相结合的方法，可以在多个数据集上有效地解决视频监控中的人员重识别问题，并且相较于现有的人员重识别方法具有更好的性能表现。

Jul, 2017