Un défi fondamental de la ré-identification de véhicules (re-id) consiste à apprendre des représentations visuelles robustes et discriminantes, compte tenu des fortes variations intra-classes observées entre différents points de vue caméra. Étant donné que les jeux de données existants pour les véhicules sont limités en nombre d’images d’entraînement et de perspectives, nous proposons de construire un nouveau jeu de données à grande échelle (appelé VehicleNet) en combinant quatre jeux de données publics de véhicules, et de concevoir une approche novatrice mais efficace en deux étapes pour apprendre des représentations visuelles plus robustes à partir de VehicleNet. La première étape vise à apprendre une représentation générique applicable à toutes les sources (c’est-à-dire aux jeux de données de véhicules d’origine), en utilisant une fonction de perte classique de classification. Cette étape relâche l’alignement complet entre les domaines d’entraînement et de test, car elle est indépendante du domaine cible. La deuxième étape consiste à affiner le modèle entraîné uniquement à partir de l’ensemble de véhicules cibles, en minimisant l’écart de distribution entre VehicleNet et tout domaine cible. Nous présentons notre jeu de données multi-source proposée, VehicleNet, et évaluons l’efficacité de l’apprentissage progressif en deux étapes à travers des expériences approfondies. Nous atteignons une précision de 86,07 % en mAP sur l’ensemble de test privé du défi AICity Challenge, ainsi que des résultats compétitifs sur deux autres jeux de données publics de ré-identification de véhicules : VeRi-776 et VehicleID. Nous espérons que ce nouveau jeu de données VehicleNet ainsi que les représentations visuelles robustes apprises ouvriront la voie à la ré-identification de véhicules dans des environnements réels.