本文介绍了一种高效的多分支深度架构，用于改进车辆再识别。通过分组卷积和损失分支策略，提高特征多样性和辨识性，并结合摄像头ID和姿势信息增强性能。在Veri-776和Veri-Wild数据集上表现优异，mAP分别达到85.6%和88.1%，CMC1分别为97.7%和96.3%。

该论文提出了一种低成本的集成学习方法，通过转换卷积神经网络为多分支结构并增强分支输出之间的多样性来提高分类性能。使用分组卷积和知识蒸馏进行训练，实验结果显示该方法具有最先进的分类准确度和不确定性估计性能。

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。该架构基于分组卷积和损失分支拆分策略，提高了特征的多样性和可辨识性。同时，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。该方法在 Veri-776 和 Veri-Wild 中的表现均优于现有方法。