本研究探讨了可见光-红外人员再识别的多种方法，提出了基于批量归一化的交叉模态神经架构搜索（CM-NAS）和无监督匹配框架，显著提升了跨模态匹配性能。通过模态统一网络和多内存匹配框架，解决了模态差异和类内变异问题，实验结果在多个数据集上优于现有方法。

本研究探讨了服装更换对人员再识别（ReID）AI监控的影响，发现服装变化增加了识别难度。提出了级联网络、3DInvarReID和SCNet等新方法，以提高不同场景下的识别准确性，并引入新模块和技术，显著改善了服装变化情况下的识别性能，推动了相关领域的研究进展。

本文介绍了多种针对人员再识别（ReID）问题的深度学习方法，包括人体部分对齐、生成对抗网络（GAN）和自监督对比学习等。这些方法有效应对姿态变化和服装干扰等挑战，并在多个数据集上表现优异。

本文介绍了多种先进的人员再识别方法，包括人体部分对齐、深度神经网络、多尺度背景感知网络和注意力机制等。这些方法有效应对姿态变化、背景干扰和低质量特征表示，并在多个标准数据集上取得了优异性能，推动了该领域的发展。

本文介绍了多模态大型语言模型（MLLMReID），通过细调和指导学习优化人员再识别任务，实验证明其优越性。研究展示了MLLMs在视觉语言表示学习中的应用，提升了图像文本检索性能，并提出了多种新方法以增强多模态任务效果。

本文介绍了一种概率不确定性引导的逐步标签精炼方法，旨在解决无监督域自适应人员再识别中的伪标签噪音问题。该方法通过提升伪标签和建模不确定性，在多个基准任务上取得了领先表现。此外，提出了多任务中间特征对齐网络和双重优化方法，以提高准确性和特征辨别能力。

本文介绍了多种基于时间模型适应的人员再识别方法，如图形更新探针、时空解耦和主动样本选择等。这些方法在多个数据集上显著提高了准确性，展示了在无监督和半监督领域的优势。

本文提出了一种基于生成对抗网络的条件生成模型，通过无监督学习实现从单一图像到新视角的合成。研究表明，结合生成对抗网络和对比学习的框架能有效提升无监督人员再识别的性能，并在多个数据集上取得了优于以往方法的效果。

本研究探讨了服装变化对人员再识别（ReID）的影响，提出了身份引导的协作学习方案（IGCL）和基于因果干预的学习方法（CCIL），显著提升了在不同服装情况下的识别准确性，推动了相关领域的研究进展。

本研究提出了一种解决人员再识别中相机偏差和跨相机内外不变性设计的方法，通过构建样式一致的环境和原型对比学习来实现。该方法在多个基准测试中得到了验证。

该文介绍了一种解决无监督领域自适应人员再识别问题的新方法，利用源和目标领域之间的桥梁来建模中间领域，并通过中间域模块生成中间域表示。该方法在各种常见的任务中表现出比现有算法更好的性能，并在MSMT17基准测试中获得了7.7％的mAP增益。