Vehicle Re-Identification in Context 问题：现有的车辆重识别主要是基于人工的测试场景，假设在几乎恒定的车辆图形尺度之下有高质量的图形和精细的外观，例如veri776中。但是，现实当中的图形的分辨率却存在着很大的不同。这使得车辆重识别在真实地性能方面收到限制。贡献：（1）提出了一个新的数据集，这个数据集更加现实而且限制性更小在分辨率，运动模糊，光照，遮挡，视角。它在白天和夜间的异构道路交通场景中捕获了60种不同的5,622个车辆身份的60,430张图片。 鉴于这一新基准的性质，我们通过从多分辨率图像中学习更辨别的有效特征表示。（2）提出了
Unsupervised Person Re-identification via Softened Similarity Learning——软化相似度学习的无监督人员再识别 背景：本文研究了re-ID的无监督设置，它不需要任何标记信息，可以自由地被应用到到新的场景中。到目前为止，无监督训练最好的方法之一是使用迭代聚类和分类，将未标记的图像聚类成伪类，以便分类器得到训练，并使用更新后的特征进行聚类等等。该方法采用了迭代聚类和深度学习机制，其中网络基于无监督聚类生成的伪标签进行训练。解决问题：该方法存在两个问题，即聚类个数难以确定和聚类过程中难以量化的损失。解决方法：在本文中，我们遵循迭代训练机制，但抛弃聚类，因为它会因硬量化而损失，但它唯一的结果，图像级相似度，可以很容易
关注
