- 基于视觉的桥梁场景中车辆再识别算法的研究
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 - 基于深度学习的车辆重新识别综述：模型、数据集和挑战
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 - VehicleGAN：针对车辆重新识别的双姿态引导图像合成
该研究提出了一个名为 VehicleGAN 的车辆重新识别方法，利用图像合成和特征融合来解决车辆在不同角度下的识别问题，并通过在公共数据集上的实验结果验证了其准确性和有效性。
- 基于动态相似邻接矩阵的车辆再识别图网络
基于动态相似邻接矩阵的图网络（DSAM-GN）是一种用于车辆再识别的新方法，通过构建邻接矩阵来捕捉局部特征的空间关系和减少背景噪声，提取更具差别性的特征。实验证明，DSAM-GN 方法相比于其他近期研究在公共数据集上具有更好的效果。
- 多元性强：面向车辆再识别的多分支表示学习
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 - 时空车辆重识别
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。
- 一种新的用于无人机车辆再识别的双池化注意力模块
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 - 多查询车辆重识别：视角条件网络，统一数据集和新指标
该研究提出了一种名为多查询汽车 Re-ID 的更为现实和易于访问的任务，利用多个查询来克服单一查询的视角局限性，并设计了一种名为 VCNet 的新颖的视角条件网络来适应性地结合不同车辆视角的互补信息，以及一种用于恢复丢失视角的交叉视图特征恢 - 车辆再识别的判别区域注意力和正交视图生成模型
该论文提出了一种 Discriminative-Region Attention and Orthogonal-View Generation (DRA-OVG) 模型来解决车辆再识别面临的多个挑战，包括不同品牌车辆的外观相似性，不同视角下 - 用于无人机车辆重新识别的自校准空间特征提取网络
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。
- ICCV车辆重新识别的异构关系补充
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-7 - GiT: 用于车辆再识别的图形交互变压器
本文提出一种名为 GiT 的图与变压器相互作用的模型，用于处理车辆重新识别问题，提取局部可辨别的特征和全局的鲁棒特征，该方法在三个大规模车辆重新识别数据集上的实验证明其优于现有方法。
- CVPRAI 城市挑战赛上车辆重新识别的实证研究
本文介绍了我们在 AICITY21 车辆重识别比赛中赢得第一名的解决方案，该方案使用了车辆重识别、无监督领域自适应训练、后处理、模型组合等技术，并结合了裁剪训练数据和使用合成数据等方法。最终模型达到了 0.7445 的 mAP 得分。
- CVPR车辆再识别的强基线
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 - 基于可解释的注意力的自监督几何特征发现：用于车辆再识别及以后的应用
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。
- CVPR基于视角感知的通道注意力网络用于车辆再识别
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 - ECCV基于语义引导部位注意力网络的方向感知车辆再识别
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-attentiv - CVPR环视摄像系统的车辆再识别
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。
- IJCAI无监督车辆重识别与渐进式适应
本文提出一种名为 PAL 的新颖的渐进自适应学习方法，该方法利用无标记的丰富数据，针对车辆重新识别问题，使用数据适应模块和动态采样策略，生成类似于未标记目标域的伪目标样本，并采用加权标签平滑损失以平衡伪标签的置信度。在 VehicleID - 基于混合金字塔图网络的车辆再识别中的空间重要性探索
该论文提出了一种基于空间图注意力的新型车辆重新识别方法，它能够精确探索特征图的空间重要性，进而达到明显的性能提升。高效的网络设计可以使其适用于各种规模的特征图，并且在三个大规模数据库方面优于现有的车辆重新识别方法。