为了解决现有 CC-ReID 数据集中缺乏足够训练样本的问题，本研究提出了一种 Identity-aware Dual-constraint Network (IDNet)。通过引入 Clothes Diversity Augmentation (CDA)、Multi-scale Constraint Block (MCB)、Counterfactual-guided Attention Module (CAM) 和 Semantic Alignment Constraint (SAC) 等模块，该方法能够在更真实的监控场景中准确识别目标人员，并在实验中表现出超越现有方法的性能。

Mar, 2024

本文介绍了一个新的级联网络，该网络可以在不同场景下实现个人再识别，它不仅在衣服外观发生变化的情况下进行操作，而且还利用了 “soft-biometrics” 的概念，它包括身体形态等特征来增强匹配的准确性。

May, 2020

本文提出了一种语义掩膜驱动的对比学习方法，通过学习层次语义邻域结构中的 RGB 和语义特征，学习跨服装不变性，实现了长期无监督人员再识别。实验表明，与无监督 re-id 竞争对手相比，我们的方法具有更好的性能，并且与监督基线只有很小的差距。

May, 2023

通过使用语义一致性网络（SCNet）以及一系列有效的一致性约束条件，我们的研究旨在解决服装改变可能发生的情况下，跨多个监控摄像头检索目标人员的困难任务。结果表明，SCNet 模型在几个衣服变换人物重识别数据集上取得了显著进展，并且无需使用额外的辅助分割模块。

Aug, 2023

该研究提出了一种基于衣服的对抗损失 (CAL) 方法，从原始 RGB 图像中挖掘与衣服无关的特征来提高衣服变化人员重新识别的准确度。同时，也贡献了一个名为 CCVID 的数据集，为对建模时空信息提供实验基础。

Apr, 2022

通过建立连续的表面对应关系，实现衣物变化人员再识别的方法，从图像中提取细粒度的形状特征，并通过跨模态融合模块与全局的 RGB 特征结合，从而显著增强了模型对于人体形状的整体理解。构建了第一个大规模的衣物变化人员再识别数据集，为每个人员图像提供了密集的 2D-3D 对应关系和精确的 3D 模型，同时包含了四季中各种不同的衣物变化情况。实验证明了我们方法的有效性。

Oct, 2023

该研究采用多目标优化解决方案，通过衣物变化合成和训练，成功改善了衣物变换人员识别模型在衣物保持不变条件下的性能，同时在标准人员识别任务中也表现出了卓越的性能。

Apr, 2024

本文提出一种名为 GI-ReID 的框架，利用人体独特的不依赖于衣服的步态信息作为辅助任务，从单张图像识别行人并实现实时监控，并在衣服变化的 ReID 标准测试集上得到了显著的性能提升。

Mar, 2021

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

本研究针对服装改变对人物再识别造成的干扰问题提出了一种基于身体形状特征表征的模型 ——Color Agnostic Shape Extraction Network (CASE-Net)。CASE-Net 通过对抗训练和特征解耦的方法学习身份的表征，可以生成与服装颜色和纹理无关的身体形状特征表征。研究还提出了两个合成数据集去测试这种方法。实验结果表明，本研究的方法优于当前其他先进的方法。

Mar, 2020