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

本文旨在解决计算机视觉中无监督领域自适应重新识别的问题，并且提出了一种基于自我训练的方案来优化在提取特征空间中推测无标签目标数据所得的伪标签，评估与现有的同类方法的对比表明此方案是有效的。

Jul, 2018

本篇研究提出了一种基于 CycleGAN 的训练范式 ——RVSL，它整合了 ReID 和域变换技术，并在半监督的训练方式下解决了车辆 ReID 在真实世界雾霾场景中的问题。实验结果表明，该方法在雾霾场景下的车辆 ReID 比现有方法表现更好。

Sep, 2022

我们提出了一种新颖的无监督域适应方法，用于人物再识别（reID），该方法将在标记源域上训练的模型推广到未标记的目标域。我们介绍了一种基于摄像头标签的相机驱动课程学习（CaCL）框架，通过渐进地训练目标域数据集的多个子集，将知识从源域转移到目标域。我们的方法在标准基准测试中取得了显著的效果。

Aug, 2023

通过构建大规模车辆数据集，并使用一个简单而有效的二阶段渐进学习方法进行学习，本文提出了用于车辆识别的新型 VehicleNet 数据集并实现了优异的识别率。

Apr, 2020

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

基于自适应 Parzen 窗方法和融合网络的空时域车辆重新识别框架在公共数据集（VeRi776）上取得 99.64% 的 rank-1 准确率，实验证明利用空时信息可以提高基于外观的方法的准确性并有效处理外观歧义。

Sep, 2023

本论文提出了一种基于表示学习的无监督跨域人物再识别的深度领域自适应框架，通过解决数据分布差异、标记信息缺乏等问题，采用相机感知域自适应和在线三元捆绑等方法，实现了针对人物再识别特征的优化和提取，并在基准数据集上进行了实验和消融研究，展现了其卓越性能和有趣的属性。

Apr, 2019

该论文综合研究了应用于车辆再识别的深度学习技术，包括有监督方法和无监督方法的分类，探讨了这些方法的现有研究，介绍了数据集和评估标准，并勾画了未来的挑战和研究方向，旨在为车辆再识别领域的深度学习提供全面的参考和起点，推动深度学习模型在车辆再识别中的应用与发展。

Jan, 2024

本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

Oct, 2022