視点変動の悪影響に抵抗し、車両再識別の性能を向上させるために、四方向深層学習ネットワークを設計し、車両画像の四方向深層学習特徴量（QD-DLF）を抽出しました。四方向深層学習ネットワークは全体的なアーキテクチャが類似しており、基本的な深層学習アーキテクチャは同じですが、方向特徴量プーリング層が異なります。具体的には、同じ基本的な深層学習アーキテクチャは短く密接に接続された畳み込みニューラルネットワークで、入力される正方形の車両画像から基本的な特徴マップを抽出する第一段階を行います。その後、四方向深層学習ネットワークは異なる方向のプーリング層を使用します。すなわち、水平平均プーリング（HAP）層、垂直平均プーリング（VAP）層、対角線平均プーリング（DAP）層および反対角線平均プーリング（AAP）層を使用して、それぞれ水平、垂直、対角線および反対角線方向の特徴マップに圧縮します。最後に、これらの方向特徴マップは空間的に正規化され、連結されて車両再識別のための四方向深層学習特徴量として使用されます。VeRiおよびVehicleIDデータベースでの広範な実験により、提案されたQD-DLF手法が複数の最先端の車両再識別手法を上回ることが示されました。