本文提出了一种基于时间序列的视频人员重识别方法，可以准确地匹配任意不对齐的图像序列中的人，无需标记的成对数据，并通过引入时间移动动态时间扭曲 (TS-DTW) 模型实现自动对齐、数据选择和匹配。

Nov, 2016

本文提出了一种基于 ID-aware quality 的，用于解决人物重新识别中由噪声图像带来的问题的新型解决方案，包括 feature learning attention、feature fusion attention 等关键组成部分，实验证明该方法优于现有最先进方法。

Nov, 2019

本文提出了一种基于视频对象重识别的视频分割方法，通过使用自适应的目标重识别机制来避免传统方法中的漂移问题和无法处理大位移的弊端，该方法在 2017 年 DAVIS Challenge 中取得了最佳性能。

Aug, 2017

基于自适应 Parzen 窗方法和融合网络的空时域车辆重新识别框架在公共数据集（VeRi776）上取得 99.64% 的 rank-1 准确率，实验证明利用空时信息可以提高基于外观的方法的准确性并有效处理外观歧义。

Sep, 2023

提出了一种多出口块的输入自适应网络，可以根据检索的简易程度或噪声提前终止计算，以节省计算资源。通过引入基于时间的分类器和二进制编码生成方法，能够更高效地进行检索，同时采用新的排序规范化器以确保相似性保持。在 Market1501、MSMT17 和 BGC1 数据集上进行了广泛分析，结果表明与其他基于哈希的方法相比，能够节省计算资源、保持相似性，并且具备与传统 ReID 方法相当的准确性。

Aug, 2023

这篇论文研究了针对现实世界中物体再识别（ReID）算法的嵌入式压缩技术，通过量化感知训练和三种不同的降维方法（迭代结构化剪枝、初始化时对嵌入进行切片以及使用低秩嵌入）进行了压缩性能评估，发现嵌入可以压缩高达 96 倍，且性能下降较小，这意味着现代再识别方法并没有充分利用高维潜在空间，为进一步提升系统能力开辟了新的研究方向。

May, 2024

这篇论文对于人员再识别技术进行了全面的评估和表现评估，并实现了一个包括 11 个特征提取算法和 22 种度量学习技术的统一代 码库，使用 17 个不同的数据集进行了评估，旨在为这个领域提供公开、准确、全面的基准。

May, 2016

本研究提出了一种新的两流空间 - 时间人物重新识别（st-ReID）框架，该框架挖掘了视觉语义信息和空间 - 时间信息，引入 Logistic Smoothing（LS）联合相似性度量，使用快速直方图 - Parzen（HP）方法近似复杂的空间 - 时间概率分布，消除了很多无关图像，在 Market-1501 和 DukeMTMC-reID 数据集上均取得了最好的准确性，进步幅度达到了先前方法的很大程度。

Dec, 2018

本文评估 V-reID 方法，包括传感器方法、混合方法和基于视觉的方法，对手工特征和深度特征进行了分类，并系统评估了这些方法。我们在四个基准数据集上进行实验证明，分析不同方法的性能。同时，我们提供了不同的 V-reID 数据集的细节和对未来趋势的讨论。

May, 2019

本文提出了一种基于 Identity Regression Space 的方法，通过增量学习和快速更新模型，使得人员再识别方法具有更好的可扩展性和适应性，并通过实验验证在多个数据集上表现优秀 。

Jun, 2018