本文提出一种利用自我监督注意力模型的方法 ——SAVER，以便有效地学习特定于车辆的判别性特征，并在包括 VeRi、VehicleID、Vehicle-1M 和 VERI-Wild 数据集在内的数据集上获得了更好的实验效果，摆脱了强监督方法无法跨越不同领域的限制。

Apr, 2020

本文提出了 Viewpoint-aware Channel-wise Attention Mechanism (VCAM) 方法，该方法通过通道方式重新调整输入车辆视角的每个特征图的重要性，提高了现有 Works 对车辆视角感知特征提取的噪声抑制和效果，实验证明在 VeRi-776 数据集上和 2020 年 AI City Challenge 中表现优秀.

Oct, 2020

提出了一种基于语义标签训练的、能够较为准确地预测车辆不同视角部分的注意力掩码的 Semantics-guided Part Attention Network (SPAN) 模型，结合 Co-occurrence Part-attentive Distance Metric (CPDM) 进行特征提取和度量，有效提高了车辆重识别的精度。

Aug, 2020

论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法，可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像，成功地在 CUHK01，CUHK03 和 Market 1501 数据集上超越了现有的先进方法。

Jul, 2017

本文提出了一种新的双池注意力模块（DpA），通过构建通道池注意力（CpA）和空间池注意力（SpA）的两个分支并采用多个池操作以提高对车辆的细节信息的关注度，将特征信息融合，并同时使用标签平滑交叉熵损失和难度挖掘三元损失进行训练，从而解决了由于无人机拍摄距离过高导致车辆遗失的问题，并在 VeRi-UAV 和 VRU 上进行的大量实验证明了其有效性。

Jun, 2023

本文提出了一种基于深度注意力感知特征的视觉定位框架，可在自动驾驶中实现厘米级别的定位精度。通过使用新型端到端的深度神经网络，利用深度注意机制寻找显著、稳定性强的特征，以建立强鲁棒性的匹配，并成功估计高精度的相机姿态。经过大量的实验验证，证明了我们的方法在各种挑战性场景下，都能够达到非常具有竞争力的定位精度，这为未来自动驾驶的低成本定位解决方案提供了新的可能性。

Mar, 2020

该论文提出了一种 Discriminative-Region Attention and Orthogonal-View Generation (DRA-OVG) 模型来解决车辆再识别面临的多个挑战，包括不同品牌车辆的外观相似性，不同视角下车辆外观变化，以及真实应用中难以获得精细标注的车辆数据。该模型利用区域注意力机制自动提取区分相似车辆的判别特征，并通过生成多视角特征减少视角误差的影响，最终通过判别特征和多视角特征共同表达车辆外观的差异，增强了对整个特征空间中车辆差异度量的意义，提高了车辆再识别的性能。

Apr, 2022

本文提出了一种基于锚点的深度车道线检测模型 LaneATT，通过引入注意力机制和全局信息聚合，解决扩展到自动驾驶的场景的实时性问题，并在多个公开数据集上验证了其效果优于现有的方法。

Oct, 2020

本文提出了动态双重注意聚合（DDAG）学习方法，通过挖掘 VI-ReID 中的模态内部部分级别和跨模态图级别的上下文线索，提取具有较强辨别力和噪声鲁棒性的聚合特征，从而提高了检索精度。

Jul, 2020

本研究提出了一种基于自我监督学习的车辆重新识别方法，利用本地几何特征和全局表示来区分车辆实例，通过解释性注意力模块来提取并压缩这些特征，并在三个最流行的车辆 ReID 数据集上展示了优于现有方法的性能。

Oct, 2020