本文提出了一种选择性轨迹学习方法，通过无监督的方式从未标记过的轨迹数据中训练有较强区分度的人物重新标识模型，采用数据自适应的图像对轨迹的选择性匹配损失函数，该方法在多相机多任务深度学习模型结构中探究，实验证明该方法比目前领先的无监督学习和单次学习的重新标识方法在三个大规模轨迹人员重新标识基准测试中表现显著。

Jan, 2021

本研究提出了一种基于深度学习和时空规则的无监督人员再识别方法，通过跨摄像头轨迹关联和反复迭代来逐步更新模型，最终促进了跨摄像头轨迹的关联和更好的人员视觉特征提取。

Oct, 2019

本文提出了一种无监督的深度学习人物再识别方法 (UTAL), 通过联合学习内部相机移动轨迹的差异性和跨相机移动轨迹的关联性，能够从自动生成的人物运动轨迹数据中逐步发现和利用基础重识别差异性信息，实验结果表明该方法在八个基准数据集上优于当前最先进的无监督学习和领域自适应的人物再识别方法。

Mar, 2019

本文提出了一种新的基于时间一致性递进学习的框架，利用自监督辅助任务来捕捉未被标记的轨迹之间的关系，从而更好地实现视频检索中的标记，相比现有技术提高了高达 8% 的未标记数据真实标记的准确性和重识别的性能。

Jul, 2020

通过引入基于排序的追踪标签生成和交叉熵损失的无监督重新识别网络解决注释成本高的问题，可在无需追踪监督的情况下提高多目标跟踪的性能，为跟踪领域开拓更加简单和有效的解决方案提供新思路。

Jun, 2020

本论文提出了一种基于轨迹的无监督深度学习方法，通过轨迹关联和跨摄像头相关性最大化来发现并利用单个摄像机和跨摄像机之间的人物识别信息，实现了更好的人物再识别效果。

Sep, 2018

提出一种基于无监督增量学习、迁移学习和贝叶斯融合模型的人物再识别算法，通过将视觉分类器从已有的小型单一数据集转移到未标记的目标领域，以学习行人的时空模式，并将其与视觉特征结合，最终利用基于学习排序的相互促进过程来增量地优化，实验结果表明，相比于现有的跨数据集无监督人物再识别算法，该算法取得了显著的改进。

Mar, 2018

本文提出了三种技术方案，即集群对比学习算法（CCL）、渐进领域适应策略（PDA）和傅里叶增强（FA），以解决无监督域自适应的问题。实验证明，我们的方法在多个基准测试上都实现了显著的改进。

Aug, 2021

本文提出了一个 hierarchical clustering 机制的跟踪框架，以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时，合并 tracklets，从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中，实验结果表明，我们的方法显著优于最先进技术。

Nov, 2018

本文提出了一个大规模预训练框架，采用在线多目标跟踪系统对现有未标记的 Re-ID 数据集 “LUPerson” 中的原始视频进行预处理，并通过三个学习模块联合学习，以簇类相似的样例到一个原型上并根据原型分配校正噪声标签，实现从头开始学习 SOTA Re-ID 表征，显著提高了性能。

Mar, 2022