إحدى التحديات الأساسية في مسألة التعرف على المركبات (re-id) تكمن في تعلم تمثيل بصري قوي ومميز، بالنظر إلى التباين الكبير بين المركبات ضمن الفئة نفسها عند مشاهدتها من كاميرات مختلفة. وبما أن المجموعات الحالية من بيانات المركبات محدودة من حيث عدد الصور التدريبية وعدد الزوايا المرئية، نقترح بناء مجموعة بيانات ضخمة فريدة من نوعها للمركبات (تسمى VehicleNet) من خلال دمج أربع مجموعات بيانات عامة للمركبات، وتصميم منهجية جديدة وفعالة تتكون من مرحلتين لتعلم تمثيل بصري أكثر قوة من خلال VehicleNet. تتمثل المرحلة الأولى من منهجيتنا في تعلم تمثيل عام ينطبق على جميع المجالات (أي مجموعات بيانات المركبات المصدرية) من خلال التدريب باستخدام خسارة التصنيف التقليدية. وتخفف هذه المرحلة من الحاجة إلى التوافق الكامل بين المجال التدريبي والمجال التجريبي، نظرًا لأنها لا تعتمد على المجال المستهدف للمركبات. أما المرحلة الثانية فهي تحسين النموذج المُدرَّب بالكامل بناءً على مجموعة المركبات المستهدفة، وذلك من خلال تقليل الفرق في التوزيع بين VehicleNet و cualquier مجال مستهدف. نناقش المجموعة المُجمعة من مصادر متعددة التي نقترحها، وهي VehicleNet، ونقيّم فعالية التعلم التدريجي للتمثيل من خلال تجارب واسعة النطاق. وقد تحقق دقة قياسية تصل إلى 86.07% من متوسط الدقة المُرَتَّبة (mAP) على مجموعة الاختبار الخاصة في مسابقة AICity، بالإضافة إلى نتائج تنافسية على مجموعتي بيانات عامتين أخريين للتمييز بين المركبات، وهما VeRi-776 وVehicleID. نأمل أن تُسهم هذه المجموعة الجديدة من البيانات VehicleNet والتمثيلات البصرية القوية التي تم تعلمها في تمكين تطوير تقنيات التعرف على المركبات في البيئات الواقعية.