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

提出一种两阶段框架来解决车辆重新识别的挑战，利用 MRF 模型生成候选视觉 - 时空路径并使用 Siamese-CNN+Path-LSTM 模型计算相似性分数，且在实验中验证了该方法和其各组成部分的有效性。

Aug, 2017

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

本研究提出了一种新的两流空间 - 时间人物重新识别（st-ReID）框架，该框架挖掘了视觉语义信息和空间 - 时间信息，引入 Logistic Smoothing（LS）联合相似性度量，使用快速直方图 - Parzen（HP）方法近似复杂的空间 - 时间概率分布，消除了很多无关图像，在 Market-1501 和 DukeMTMC-reID 数据集上均取得了最好的准确性，进步幅度达到了先前方法的很大程度。

Dec, 2018

基于群集相似性的一种车辆再识别方法，通过利用目标车辆附近的车辆信息来提高车辆再识别的准确性。当车辆相对位置保持不变且群集规模适当时，在实验中我们在 VeRi 数据集上获得了平均相对改进 204% 的效果。同时，讨论了车辆在经过两个相邻摄像头时的相对位置变化量对识别效果的影响，提出了两个可用于量化差异的度量，并建立了它们之间的联系。虽然这个假设基于桥梁场景，但由于行车安全和摄像头位置的原因，在其他场景中通常也成立。

Mar, 2024

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

本文提出了一种基于 STMN 的新型人员 reID 方法，通过存储频繁出现在视频帧中的空间干扰和优化人员视频的典型时间模式的注意力，实现了对人员视频中的空间和时间干扰的有效处理。

Aug, 2021

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

本文提出了一种新的个性化、时空解耦的人员再识别方法（InSTD）, 其中加入了个性化信息用于狭窄化搜索空间并将空间 - 时间传递概率从联合分布解耦以适应离群值，实验结果表明，我们的方法在 Market-1501 和 DukeMTMC-reID 上的 mAP 分别提高了 8.6％和 16.4％。

Jul, 2021

本文提出了一种自对齐无监督网络来提取无人机视角下肖像系统中的细化特征，旨在解决操作难度大、需要困难的注释过程的问题，并在 UAV-VeID 数据集上实现了最佳的 ReID 效果。

Jan, 2022