提出一种考虑车辆在不同视角下被看到的情况的度量学习方法，利用两种特征空间学习相似视角和不同视角下的两个度量值，得到视角感知网络（VANet），该方法在车辆重新识别方面表现优异，尤其是在不同视角下。

Oct, 2019

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

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

本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

Mar, 2018

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

论文提出了一种基于 Heterogeneous Relational Complement Network 和 Cross-camera Generalization Measure 来解决跨视角车辆重新识别的问题的方法，并在 VeRi-776、VehicleID 和 VERI-Wild 数据集上取得了最新的最佳表现。

Sep, 2021

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

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

本文评估 V-reID 方法，包括传感器方法、混合方法和基于视觉的方法，对手工特征和深度特征进行了分类，并系统评估了这些方法。我们在四个基准数据集上进行实验证明，分析不同方法的性能。同时，我们提供了不同的 V-reID 数据集的细节和对未来趋势的讨论。

May, 2019