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

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

本文提出了一种高效轻量级的多分支深度架构，用于改进车辆再识别，并基于分组卷积和损失分支拆分策略设计了一个多分支架构，以提高特征的多样性和可辨识性，还提出了一种轻量级解决方案以模拟将损失拆分学习为多个嵌入，同时显著减小模型尺寸，并设计了一个改进解决方案来利用额外的元数据，如摄像头ID和姿势信息，大大提高了再识别性能。与现有方法相比，在Veri-776中本方法在mAP方面达到了85.6%，在CMC1方面达到了97.7%，在Veri-Wild中得到了88.1%的mAP和96.3%的CMC1，通过提供对车辆再识别的重要见解，为其他检索任务提供了坚实的基础。

Oct, 2023

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

在非受限和极端环境下的图像识别中，光学字符识别(OCR)和计算机视觉系统取得了显著的进展，但仍存在识别文本和识别人物的难题。为了解决这些问题，本研究引入了两个新的挑战性真实世界数据集，通过简化、模糊和运动模糊等多种因素来突出当前方法的不足，并推动OCR和人物再识别在极端条件下的发展。我们使用最先进的模型在这两个数据集上建立了基准性能，结果显示目前的通用模型表现不佳，仅在文本识别上达到15%的F1得分和人物重新识别的33%的排名准确率。经过微调后，模型性能得到了较大的提升，文本识别的F1得分达到了53%，人物重新识别的排名准确率达到了79%。然而，仍然需要面向特定领域的技术来解决现实世界OCR和人物重新识别中的开放问题。通过这些数据集和对模型限制的分析，我们旨在促进处理泥土和复杂姿势等现实世界条件的创新，推动鲁棒计算机视觉的进展。所有数据来源于PerformancePhoto.co，这是一个专业汽车运动摄影师、车手和粉丝使用的网站。最佳文本识别和人物重新识别模型已在该平台上部署，用于实时赛车照片搜索。

Feb, 2024

通过分析 VeRi-776 和 VehicleID 数据集的宽高比性能，基于多种宽高比的图像模型训练，使用 ViT 和空间注意力分数来进行图像分割和对象匹配，提出了一种动态特征融合 ReID 网络，使得 ReID 方法在 VehicleID 数据集上的平均精确度（mAP）得到显著提高。

Jul, 2024

本研究针对物体重新识别中的外观相似性和实地研究不足的问题，提出了一种新颖的重新识别框架，结合了时空融合网络与因果身份匹配(CIM)方法。该框架在多个数据集上表现出色，达到了99.70%的精度和95.5%的均值平均精度(mAP)，证明了在真实场景中结合时空信息和CIM的重要性和有效性。

Aug, 2024