利用虚幻数据集的领域通用人员搜索
本论文提出了一种无监督领域泛化的方法来解决行人重识别中源域无标签的问题，该方法采用领域特定的自适应框架，结合批标准化和实例标准化技术实现，准确地优化模型泛化能力，同时提高了训练效率和 ReID 性能。实验证明，该方法在不同的数据集上表现出显著优势，为进一步研究此领域奠定了强有力的基础。
Nov, 2021
本文提出了一种基于生成对抗网络和半监督多特征聚类的联合伪标记策略，通过无监督域适应和在非标记目标域中挖掘潜在相似性，提高目标域的特征表示能力，同时通过半监督多特征聚类学习目标域的内部数据结构，取得了良好的无监督个体重新识别表现。
Aug, 2022
本文提出了一种基于领域自适应的人员搜索模型 (DAPS)，该模型通过设计一种新的领域自适应模块，最小化领域偏差，并结合伪边界框及动态聚类策略，帮助模型在未标记目标域中训练人员检索任务，实现了相对于现有方法更高的性能。
Jul, 2022
本论文提出了一种基于表示学习的无监督跨域人物再识别的深度领域自适应框架，通过解决数据分布差异、标记信息缺乏等问题，采用相机感知域自适应和在线三元捆绑等方法，实现了针对人物再识别特征的优化和提取，并在基准数据集上进行了实验和消融研究，展现了其卓越性能和有趣的属性。
Apr, 2019
本研究通过构建包含数百种照明条件的新的合成数据集以及采用一种新颖的领域自适应技术来解决监控摄像头之间照明差异引起的重识别问题，取得了与监督技术相当的效果。
Apr, 2018
本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。
Oct, 2022
本文提出了一种多源领域自适应人员重识别方法，并从特定领域和融合视角两个方面入手，引入了矫正特定领域批处理归一化和基于图卷积网络的多领域信息融合模块，从而使得该方法在大规模检验集上超越现有的无监督领域自适应人员重识别方法，且可达到监督方法的性能水平。
Apr, 2021
本研究提出了一种快速单阶段无监督人物搜索方法（FOUS），该方法通过端到端的方式无需迭代聚类，通过引入基于注意力的领域对齐模块（ADAM）和原型引导标注方法，实现了在 CUHK-SYSU 和 PRW 等基准数据集上的最先进表现。
May, 2024
本文提出了一种用于解决无监督下领域自适应中人员再识别问题的新算法，包括镜头风格适应框架、基于 Soft-label 的人员再识别模型辅助方法、以及用于挖掘目标域内部本质结构的 GAN 翻译方法，实验表明该方法具有显著优势。
May, 2019
通过合成虚拟环境中的大规模人体图像数据集，训练出的行人再识别模型在全新领域中表现更好，该数据集名为 RandPerson，包含了来自 8000 个身份的 1801816 张人体图像，可以提高机器学习的泛化能力。
Jun, 2020