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

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

本文提出一种教师 - 学生学习框架，通过构建共同显著特征提取网络和跨域模拟器，从全身人的领域中学习抗遮挡模型，并将该知识转移至真实遮挡人体数据以实现更好的人重识别性能。实验结果在四个参考数据集上表明本文方法优于其他最先进的方法。

Jul, 2019

本文提出了一种抵御遮挡和无需精确定位的人物重识别方法，并扩展其应用于更为真实和拥挤的场景中，在三个挑战性遮挡数据集和三个基准人物数据集上获得了极高的准确率。

Apr, 2019

本研究提出了一种有效的 RGB 图像 / 视频的遮挡检测和重建框架，采用卷积神经网络进行遮挡检测，Conv-LSTM 和自编码器用于重建遮挡帧和使用条件生成对抗网络微调和修复重建的 RGB 帧，通过与其他先进技术比较分析，我们的方法在各种数据集上展现出鲁棒性，成为现实生活监控系统应用的优秀选择。

Apr, 2023

本篇论文提出了一种新颖的框架，通过学习高阶关系和拓扑信息来实现人物重识别，其中采用了 CNN 和关键点估计模型分别从语义和局部信息两个角度进行特征提取，并将其视为图的节点，提出了自适应方向图卷积层和交叉图嵌入对齐层，通过优化图匹配和节点嵌入来最终匹配人员并在遮挡的数据集上取得了优越的效果。

Mar, 2020

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

人物重新识别中针对遮挡问题，提出了一种创新的端到端解决方案，名为动态 Patch 感知增强变换器 (DPEFormer)。通过动态选择关键区域和实现更真实的遮挡增强，该模型在遮挡和整体重新识别基准测试中取得了显著的进展。

Feb, 2024

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

该研究提出了一种名为 Feature Recovery Transformer（FRT）的新方法，通过可见性图匹配和特征恢复变压器来同时解决干扰噪声和遮挡带来的行人信息损失的问题，与其他最新技术相比，在挑战性的 Occluded-Duke 数据集上的准确性提高至少 6.2% Rank-1 和 7.2% mAP 打分。

Jan, 2023