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

基于无人机的跨模态车辆再识别在视频监控和公共安全领域得到了越来越多的关注，然而，由于数据不足，这一有前景的创新性研究尚未得到充分的研究。我们提出了一个名为 UCM-VeID 的跨模态车辆再识别基准数据集，其中包含 753 个身份，共有 16015 个 RGB 图像和 13913 个红外图像。为了应对跨模态差异和方向差异挑战，我们提出了一个混合权重解耦网络（HWDNet），用于学习共享的具有方向不变性的判别特征。我们还针对这两个挑战提出了一个使用了精心设计的权重约束器和相应目标函数的混合权重孪生网络，用于学习模态特定和模态共享的信息。我们进行了一系列全面的实验证明了所提出方法的有效性。数据集和代码将在该 https URL 上发布。

Oct, 2023

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

本文提出了一个完整的车辆重识别解决方案，旨在解决单目相机视角下的车辆识别困难以及多相机视角下同一车辆外观变化大的问题，并通过实验表明我们的解决方案在实践中实现了最先进的准确性。

Jun, 2020

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

本文介绍了我们在 AI City Challenge 2020 中的车辆重新识别（vehicle Re-ID）项目中的解决方案。我们通过融合来自不同网络的特征来提高表示能力，并使用多个方法来增加其稳定性。我们在城市规模的多摄像头车辆重新识别任务中取得了前五名的成绩，并在此背景下展示了我们的算法的优势。

May, 2020

通过学习无人机对象检测的尺度不变特征，提出了一种改进单阶段推理准确性的方法，并设计了尺度不变特征分离模块和对抗特征学习方案来增强分离，最终通过使用尺度不变特征来实现鲁棒的无人机对象检测。

May, 2024

通过建议的方向引导训练框架，本文在无人机成像中通过层级定位，预测方向标签以支持训练，实现了高精度的地理定位，同时还可以增强卫星图像对空间的推广。

Aug, 2023