本研究提出了一种基于动态原型掩模 (DPM) 的方法，旨在解决人物再辨识领域中由各种障碍物造成的常见遮挡问题，通过 Hierarchical Mask Generator 和 Head Enrich Module 实现自适应对齐和特征空间扩充，并成功地在遮挡和整体人物再辨识基准上取得了卓越性能。

Jul, 2022

通过使用集成模型和深度神经网络结构，提出了一种在人员重新识别中处理遮挡的方法，该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明，所提出的方法具有竞争力的排名 - 1 和 mAP 表现。

Mar, 2024

通过基于变压器编解码器架构的多元部分发现，包括基于像素上下文的变压器编码器和基于部分原型的变压器解码器，我们提出了一种新的端对端的面向部分的变压器，用于处理拥挤情景中受遮挡的人物重识别。实验结果表明，提出的方法在三个任务（受遮挡，部分和整体重识别）的六项基准测试中表现良好。

Jun, 2021

本研究提出了一个基于 Transformer 框架的姿态引导特征去卷积（Pose-guided Feature Disentangling，PFD）方法，通过利用姿态信息来将语义组件（例如人体或关节部位）清晰地去卷积并相应地选择非遮挡部位进行匹配。经过五个具有挑战性的数据集的广泛实验证明，PFD 方法优于同类方法。

Dec, 2021

我们提出了一种基于局部特征变换器的人员再辨识框架（PFT），通过三个模块设计，在提高视觉变换器的效率的同时最大限度提取局部特征，实现了对局部遮挡情况下的人员再辨识。实验结果显示，PFT 网络在遮挡和整体再识别数据集上表现出优异性能，并优于现有技术。

Jan, 2022

提出了一种利用人体解析辅助的 Transformers 解码器构成的 “师生解码器” 框架，用于解决遮挡下的人员重新识别问题，并提出了一个新的基准测试集，该测试集使用非遮挡查询样本，实验证明了该方法的优越性。

Dec, 2023

本文提出了一种基于空间注意力的动态部件模板初始化模块，该模块使用骨干网较早层的中级语义特征动态生成部分模板。我们还探索了自适应加权部分描述符来量化局部属性的缺失或遮挡，增强了对人体各部分的表示的识别能力，并在整体、遮挡和部分 Re-ID 任务基准测试中进行了大量实验证明了提出的算法具有竞争性的性能。

Aug, 2022

通过 DRL-Net 网络的设计，使用 transformer 架构来实现不需要严格的人像对齐或任何额外监督，通过对局部特征的全局推理来完成 occluded re-ID，同时使用对话查询指导 undefined semantic components 的表征分离，并设计 CFL 技术来更好地分离 occlusion 和 discriminative ID 特征，对遮挡现象进行更好的消除。

Jul, 2021

本文提出了一种基于深度学习的 Attention Framework of Person Body (AFPB) 方法，其中包括自动生成人体遮挡的 Occlusion Simulator (OS) 和多任务损失，旨在解决在人群密集的公共场所中遭遇的遮挡问题，该新问题称为遮挡人物重新识别问题，实验表明该方法优于现有的三个基准方法。

Apr, 2018

我们在研究中引入了一种名为 PAB-ReID 的新框架，该框架采用部分注意机制来有效解决背景干扰和低质量本地特征表示等问题，通过引入人体分割标签来生成更准确的人体部分注意力图，提出了一种细粒度特征聚焦器，以生成精细的人体局部特征表示，并抑制背景干扰，同时设计了部分三元损失来监督人体局部特征的学习，优化了类内 / 类间距离，大量实验证明我们的方法胜过现有的最先进方法。

Apr, 2024