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

提出了一种区域感知深度模型（RAM），不仅可以提取全局特征用于车辆 Re-ID，更可以从一系列局部区域中提取特征，利用车辆 ID、类型 / 型号和颜色，联合训练 RAM，融合更多信息用于训练，获得更具区分度的特征，并在 VeRi 和 VehicleID 两个大规模车辆 Re-ID 数据集上得到了良好的实验效果。

Jun, 2018

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

提出了一种名为 VOC-ReID 的方法，采用三元组车辆 - 方向 - 相机作为整个重构，以减少相似背景和形状造成的偏差，并使用弱监督数据增强技巧，获得了在 NVIDIA AI City Challenge 2020 中车辆重新识别的第二名。

Apr, 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

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

本论文提出了一种基于自适应注意力模型和关键点位置的车辆重新识别方法 AAVER，该方法在全局外观路径和方向条件下的局部外观路径上进行特征提取，能够在不受限制的场景中准确地识别车辆并预测车辆的关键点。

May, 2019

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

本文采用基于深度学习的变分特征学习和 LSTM，以多视点图像为基础，提出了一种高效表征车辆的方法，该方法具有实验表明的出色性能。

May, 2019