一种姿势驱动的深度卷积（PDC）模型，此模型改进了常规的特征提取和匹配模型。
首先是特征嵌入子网（FEN），实现的功能是，利用人体姿势信息，将身体全局图像转换为包含规范化部分区域的图像，再通过全局特征和不同局部特征相结合学习强大的特征表示。
为了进行特征匹配还设计了特征加权子网（PWN）。实验操作中首先是将姿势的信息嵌入到结构化网络当中，然后生成modified结构图像，最后是对这个结构图像进行识别。实验在三个常用的数据集上得到验证，故得出结论考虑额外姿势线索可以提高Rank-1准确率。有研究提出Date Augment的方法，主要是通过引入存在遮挡的姿势的样本库，再结合GAN生成多姿态的样本标签，用于辅助后期的训练。但是训练GAN生成的样本数据集因辨识度不高对训练模型帮助不大，其中还提出了一种姿态迁移的行人重识别框架来提高实验结果。有些研究强调姿势和嵌入，如2018年Sarfraz等就是基于姿势和嵌入提出一种行之有效姿势敏感嵌入（PSE）的方法。此方法结合人细致（如人的关节等）和粗略的姿势（全局的人像）信息来学习嵌入。
