最近可穿戴相机的发展使第一人称视觉数据的人员重新识别(re-ID)变得可用。尽管如此，由于模糊、光照变化或视频质量差，仍然缺乏合适的以自我为中心的视觉数据集。

最近的一项研究建议使用基于神经风格转移的域适应技术，该技术从未被用于弥合固定相机和以自我为中心的数据集之间的差距。

该方法使用固定的相机 re-ID 数据集来提高以自我为中心的 re-ID 的性能。生成具有以自我为中心和固定相机数据集的特征的图像。然后，使用来自固定相机数据集的图像对预训练模型进行微调。然后使用计算出的特征来重新识别个人。与非风格迁移图像相比，风格迁移图像的使用提高了高达 203.8% 的识别率。

第一人称(以自我为中心)视觉中的人员重新识别(re-ID)是一个相当新的未开发的问题。随着可穿戴视频记录设备的增加，以自我为中心的数据变得容易获得，而个人重新识别有可能从中受益匪浅。然而，由于视频质量差且大多数录制内容中缺少个人，因此严重缺乏用于人员重新识别的大规模结构化以自我为中心的数据集。尽管已经在基于固定监控摄像头的人员重新识别方面进行了大量研究，但这些并没有直接使以自我为中心的重新识别受益。

由于数据集偏差问题，在公开可用的大规模 re-ID 数据集上训练的机器学习模型不能应用于以自我为中心的 re-ID。所提出的算法利用结合了卷积神经网络 (CNN) 变体的神经风格迁移 (NST) 来利用固定相机视觉和第一人称视觉的优势。NST 从以自我为中心的数据集和固定相机数据集生成具有特征的图像，这些图像通过在固定相机数据集上训练的 VGG-16 网络馈送以进行特征提取。然后使用这些提取的特征来重新识别个人。

固定相机数据集 Market-1501 和第一人称数据集 EGO Re-ID 用于这项工作，结果与当前以自我为中心的重新识别模型相当。NST 从以自我为中心的数据集和固定相机数据集生成具有特征的图像，这些图像通过在固定相机数据集上训练的 VGG-16 网络馈送以进行特征提取。然后使用这些提取的特征来重新识别个人。固定相机数据集 Market-1501 和第一人称数据集 EGO Re-ID 用于这项工作，结果与当前以自我为中心的重新识别模型相当。NST 从以自我为中心的数据集和固定相机数据集生成具有特征的图像，这些图像通过在固定相机数据集上训练的 VGG-16 网络馈送以进行特征提取。然后使用这些提取的特征来重新识别个人。固定相机数据集 Market-1501 和第一人称数据集 EGO Re-ID 用于这项工作，结果与当前以自我为中心的重新识别模型相当。