من أجل مقاومة التأثير السلبي لاختلافات الزاوية للتحسين من أداء إعادة تحديد المركبات، قمنا بتصميم شبكات تعلم عميقة رباعية الاتجاه لاستخراج ميزات صور المركبات الرباعية الاتجاه (QD-DLF). تتكون هذه الشبكات من هيكل عام مشابه، يشمل نفس الهندسة الأساسية للتعلم العميق ولكن مع طبقات تجميع ميزات اتجاهية مختلفة. بالتحديد، الهندسة الأساسية المشتركة هي شبكة عصبية تقنية ومتصلة كثيفة لاستخراج الخرائط الأساسية للميزات من صورة مركبة مربعة في المرحلة الأولى. ثم، تستفيد شبكات التعلم العميقة الرباعية الاتجاه من طبقات تجميع اتجاهية مختلفة، وهي: طبقة التجميع المتوسط الأفقي (HAP)، طبقة التجميع المتوسط الرأسي (VAP)، طبقة التجميع المتوسط القطرية (DAP) وطبقة التجميع المتوسط القطرية المعاكسة (AAP)، لضغط الخرائط الأساسية للميزات إلى خرائط ميزات اتجاهية أفقيًا ورأسيًا وقطرًا ومعكوس القطر على التوالي.في النهاية، يتم تطبيع هذه الخرائط الميزاتية اتجاهيًا وإلحاقها معًا كميزات تعلم عميق رباعية الاتجاه لإعادة تحديد المركبات. أظهرت التجارب الواسعة على قاعدة بيانات VeRi وقاعدة بيانات VehicleID أن الطريقة المقترحة QD-DLF تتفوق على العديد من الأساليب المتقدمة لإعادة تحديد المركبات.