本文提出了一种基于张量特征表示和多线性子空间学习的新型个人再识别（PRe-ID）系统，该方法利用预训练的 CNN 进行高级特征提取，结合局部极大出现（LOMO）和高斯之高斯（GOG）描述符。此外，使用跨视图二次判别分析（TXQDA）算法进行多线性子空间学习，在张量框架中对数据进行建模以增强区分能力。基于马氏距离的相似度度量用于训练和测试行人图像之间的匹配。对 VIPeR 和 PRID450s 数据集进行的实验评估证明了我们方法的有效性。

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

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

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

本研究提出了一种新的人物再识别（re-id）距离度量学习方法，通过匹配训练数据的判别式空间来克服小样本问题，并且在多个数据集上进行的实验表明此方法比现有方法具有更好的识别效果。

Mar, 2016

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

本文提出了一种双高斯变分自编码器来解决可见光与红外线人物再识别中的跨模态差异问题，并通过鸳鸯捆绑降低后验崩溃并提高检索性能。

Aug, 2020

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

本文介绍一种融合 Fisher 向量和深度神经网络的混合结构，以学习人像的非线性表示，进而实现对行人重新识别流程的优化。经过基于四个基准数据集 (VIPeR, CUHK03, CUHK01 和 Market1501) 的广泛实验验证，该模型达到了最先进的结果。

Jun, 2016