Ein zentrales Problem der Fahrzeug-Identifizierung (Re-Id) besteht darin, robuste und diskriminative visuelle Repräsentationen zu lernen, insbesondere aufgrund der erheblichen innerhalb-klasse-Variationen bei Fahrzeugen unter unterschiedlichen Kameraperspektiven. Da bestehende Fahrzeugdatensätze hinsichtlich der Anzahl an Trainingsbildern und Blickwinkeln begrenzt sind, schlagen wir vor, einen einzigartigen, großskaligen Fahrzeugdatensatz (namens VehicleNet) durch die Kombination von vier öffentlichen Fahrzeugdatensätzen zu erstellen, und entwickeln einen neuartigen, jedoch effektiven zweistufigen, fortschreitenden Ansatz, um robusteren visuellen Repräsentationen aus VehicleNet zu lernen. Im ersten Schritt wird eine generische Repräsentation für alle Domänen (d. h. die Quelldatensätze) durch Training mit der herkömmlichen Klassifikationsverlustfunktion erlernt. Dieser Schritt lockert die vollständige Ausrichtung zwischen Trainings- und Testdomäne, da er unabhängig von der Ziel-Domäne ist. Im zweiten Schritt wird das bereits trainierte Modell ausschließlich anhand der Ziel-Datensätze verfeinert, indem der Verteilungsunterschied zwischen unserem VehicleNet und jeder Ziel-Domäne minimiert wird. Wir diskutieren unseren vorgeschlagenen mehrquellenbasierten Datensatz VehicleNet und evaluieren die Wirksamkeit des zweistufigen fortschreitenden Lernansatzes durch umfangreiche Experimente. Wir erreichen eine state-of-the-art-Genauigkeit von 86,07 % mAP auf dem privaten Testset der AICity Challenge sowie konkurrenzfähige Ergebnisse auf zwei weiteren öffentlichen Fahrzeug-Re-Id-Datensätzen, nämlich VeRi-776 und VehicleID. Wir hoffen, dass dieser neue Datensatz VehicleNet und die erlernten robusten Repräsentationen den Weg für die Fahrzeug-Identifizierung in realen Umgebungen ebnen werden.