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

我们提出了 Content and Salient Semantics Collaboration（CSSC）框架，通过有效利用行人图像中存在的丰富语义而无需任何辅助手段，实现了衣物变换的人物重识别。我们的方法通过提取关于内容和显著语义的稳健身份特征，并有效地减少了服装外观的干扰，从而在三个衣物变换基准数据集以及传统基准数据集上取得了最先进的性能，显示了其优越性。

May, 2024

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

综述了遮挡行人重新识别方法的数据集、评估方案以及基于深度学习的解决方案，并进行了方法的系统比较，提出了未来遮挡行人重新识别发展的展望。

Nov, 2023

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

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

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

本文提出了一个基于衣服变换的人员重新识别问题，并创建了一个名为 COCAS 的基准，通过提出的双分支网络 Biometric-Clothes Network (BC-Net) 在衣服变化的情况下，对于具有衣服模板的人重新识别是可行的。

May, 2020