本篇论文提出了一种利用有意义的属性指导（例如相机视角、车辆类型和颜色）的新型深度网络架构来解决车辆再辨识中的问题，并设计了一种特定视角的生成对抗网络来生成多视角车辆图像。实验结果表明，该方法在 VeRi-776 和 VehicleID 数据集上实现了显著的性能提升，成为车辆再辨识领域的新的最佳性能算法。

May, 2019

本文提出了一个新的大规模合成数据集，用于解决自动驾驶中语义分割的领域适应问题，在各种天气和视角条件下，涵盖了七种不同类型的城市，提出了语义分割的挑战。

Apr, 2020

本研究关注在自动驾驶领域中经常被忽视的公平问题，特别是在基于视觉感知和预测系统方面，这对自动驾驶车辆的整体运行起着至关重要的作用。我们重点分析了用于训练人和车辆检测系统的一些常用视觉数据集中存在的偏见。我们引入了一种注释方法和一种专门的注释工具，旨在对视觉数据集中的属性进行注释。通过评估一致性和属性在所有数据集中的分布，我们验证了我们的方法。这些属性包括年龄、性别、肤色、群体以及超过 90K 人的交通方式和超过 50K 辆车的车辆类型、颜色和车型的注释。大多数属性的多样性非常低，分析的数据集中某些群体，如儿童、轮椅使用者或个人机动车辆使用者，极度缺乏代表性。本研究在评估自动驾驶车辆感知和预测系统中考虑公平性方面做出了重要贡献。本文遵循可重复性原则，注释工具、脚本和注释属性可公开访问。

Dec, 2023

本文提出了一个包含 13k 车辆实例的、用于车辆重新识别的大规模 UAV 数据集，并设计了一种专门的车辆重新识别算法来充分利用数据集中的丰富注释信息，可以显式地检测每个特定车辆的判别部分，并明显优于测试基线和现有车辆重新识别方法。

Apr, 2019

通过学习合成数据，我们引入了 Alice 基准测试，为研究社区提供了大规模的数据集和评估协议，同时讨论了领域适应的方法和未来方向。

Oct, 2023

本文提出了一种针对第五届 AI 城市挑战赛数据集 Track 2 的车辆识别方法，包括缩小真实与合成数据之间的域间差距、通过堆叠多个具有注意力机制的网络头进行网络修改、自适应损失权重调整等。该方法在不使用外部数据集或伪标签的情况下，在私人 CityFlow 测试集上实现 61.34％的 mAP，并在 Veri 基准测试中以 87.1％的 mAP 超越了所有先前的工作。

Apr, 2021

本论文提出了用于视觉域自适应挑战（VisDA-2020）中的领域自适应行人重新识别（Re-ID）任务的两阶段训练方法，并采用伪标签生成策略和多模型组合等方法，在测试集上实现了 76.56％的 mAP 和 84.25％的 rank-1。

Dec, 2020

本文提出一种名为 PAL 的新颖的渐进自适应学习方法，该方法利用无标记的丰富数据，针对车辆重新识别问题，使用数据适应模块和动态采样策略，生成类似于未标记目标域的伪目标样本，并采用加权标签平滑损失以平衡伪标签的置信度。在 VehicleID 和 VeRi-776 数据集上进行的实验表明，PAL 具有显着的优势。

Jun, 2020

通过 DI-V2X 提出了一种新的蒸馏框架，通过域混合实例增强、渐进式域不变蒸馏和域自适应融合模块来减轻 V2X 3D 物体检测中的域差异，实现了卓越的性能。

Dec, 2023

该研究提出了一个名为 VehicleGAN 的车辆重新识别方法，利用图像合成和特征融合来解决车辆在不同角度下的识别问题，并通过在公共数据集上的实验结果验证了其准确性和有效性。

Nov, 2023