本研究提出了一种分布感知遗忘补偿（DAFC）模型，旨在解决长期行人重识别中的知识保留问题。该模型通过跨域共享表示学习和域特定分布整合，显著提升了知识保留能力，实验结果表明其性能优于现有技术。

本研究提出了一种新的无示例终身行人重识别方法DASK，旨在解决灾难性遗忘问题。DASK通过建模和复习旧领域的分布，显著提升了防遗忘和泛化能力，提升幅度为3.6%-6.8%和4.5%-6.5%。

本文提出多种无监督领域泛化方法，解决行人重识别中的源域无标签问题。通过领域自适应、生成对抗网络和聚类策略等技术，显著提升模型的泛化能力和性能，实验结果在多个数据集上表现优异。

本文综述了基于CNN的目标检测研究，包括人体与部位联合检测、无锚框检测、行人重识别及属性检测。重点方法有BPJDet联合检测器、AFDet单阶段检测器、Soft Anchor-Point Detector、CSP改进方法及AlignPS框架，旨在解决部位对齐、姿态变化和遮挡等问题，并在多项基准上取得先进性能。

该文综述多实例学习在弱监督场景的应用，包括：用对比实例学习降低远程监督噪声并在NYT10等数据集提升效果；将行人重识别转为多示例多标记问题；提出对比与原型学习实现实例分类；用持续优化改善非凸性；结合软多标签、记忆机制和多内存匹配做无监督行人重识别；并用于全幻灯片图像分类与肿瘤检测。

本文综述行人重识别中应对服装变化的研究，方法包括步态等服装无关特征、骨架自监督学习、身份引导协作学习、身体形状特征提取及3D建模。实验显示这些方法在多个数据集上显著提升准确率，部分较现有方法提高10%至40%。