本文提出一种基于数据驱动的方法学习跨多个相机视图的人物再识别，通过联合学习线性变换和字典编码像素值，并使用颜色作为唯一线索，在多个颜色空间中进行比较，取得了优于其他方法的结果。

Oct, 2014

本论文提出了一种四流框架，通过深度卷积神经网络中不同的输入图像表示来学习不同的特征，从而改善可见光-红外人员重识别系统的性能。实验结果表明，该框架在多个数据集上优于当前最先进的方法。

Jul, 2019

本文提出了一种新的损失函数，叫做Hetero-Center loss（HC loss），用于减少跨模态内类别的差异，并提出了一种简单高效的网络架构，用于学习跨模态人员重新识别的本地特征表示，得到了比现有方法更好的结果。

Oct, 2019

该研究提出了一种双通道跨模式特征学习框架，旨在保留内在空间结构并关注输入交叉模态图像对的差异，通过在一个共同的 3D 张量空间中嵌入交叉模式图像而不丢失空间结构以及通过动态比较输入图像对来提取对比特征等方式，在两个公共可用的 RGB-IR ReID 数据集上进行了广泛实验，并在全面和简化的评估模式下均优于现有的算法。

Oct, 2019

SIM是一种新的相似度推理度量方法，它利用两个不同视角的内模态样本相似性来挖掘跨模态样本相似性，从而通过连续相似度图推理和互惠最近邻推理来解决RGB-红外交叉模态人员重新识别的问题。

Jul, 2020

本文提出了一种称为神经特征搜索（NFS）的自动化特征选择范式来解决RGB-红外人员再识别方面的挑战性跨模态检索问题，通过对身体部位及数据驱动的自适应筛选等手段，实现了自动化特征选择的过程，进一步获得了更好的性能表现。

Apr, 2021

本研究提出了一种新颖的特征学习框架，通过利用密集对应的交叉模态人物图像，像素级地抑制与模态相关的特征，从而更有效地促进交叉模态本地特征的判别式特征学习，从而解决了可见-红外人物重识别的问题。

Aug, 2021

本文提出了一种新颖的多特征空间联合优化（MSO）网络，在单模态空间和公共空间中学习可共享特征，通过感知边缘特征（PEF）损失和交叉模态对比中心（CMCC）损失共同优化模型，显着提高了网络性能，在cross-modality person re-identification任务上优于现有的最先进方法。

Oct, 2021

本文提出了一种新的人物ReID任务，即instruct-ReID，该任务要求根据给定的图像或语言指令检索图像，提出了一个基于大规模OmniReID基准数据集和自适应三元组损失的基线方法来促进在这个新场景下的研究，实验结果表明，基于该benchmark训练的基线模型可以提高市场1501和CUHK03的传统ReID上的mAP，各种衣服变化ReID上的mAP，并在语言指导的ReID上进一步提高。

Jun, 2023

本研究解决了服装变化人物重新识别（CC-ReID）中的特征平衡问题，探讨了完全去除或保留服装特征对识别效果的影响。提出的新模块“多样化归一化”通过扩展个人特征并采用通道注意力有效地分离服装和身份特征，显著提高了识别性能，并可无缝集成至ResNet50，超越现有最先进的方法。

Oct, 2024