该研究提出了组活动特征（GAF）学习，通过人物属性预测无需群体活动注释来学习多人活动的特征。实验结果表明该方法在两个公共数据集上都优于最先进方法。

本文介绍了一种新的人物再识别网络架构AANet，通过集成人物属性和属性注意力图到分类框架中，实现强大的判别性表示。在DukeMTMC-reID数据集上，AANet的mAP和Rank-1精度分别超过3.36%和3.12%。在重排后的Market1501数据集上，AANet的mAP和Rank-1精度分别达到92.38%和95.10%，相对于使用ResNet-152的最佳前沿方法，精度分别超过1.42%和0.47%。此外，AANet还可以执行人物属性预测和属性定位。