車両再識別（re-id）における根本的な課題の一つは、異なるカメラ視点間で顕著なクラス内変動が生じる中で、堅牢かつ判別力のある視覚的表現を学習することである。既存の車両データセットは学習画像の数および視点の多様性に制限があるため、4つの公開車両データセットを統合することで、独自の大規模車両データセット（VehicleNet）を構築することを提案する。さらに、VehicleNetからより堅牢な視覚的表現を学習するため、新規かつ効果的な二段階段階的アプローチを設計した。本手法の第一段階では、従来の分類損失を用いて、すべてのドメイン（すなわち、ソース車両データセット）に対して汎用的な表現を学習する。この段階では、訓練ドメインとテストドメイン間の完全なアライメントを要求しないため、ターゲット車両ドメインに依存しない。第二段階では、ターゲット車両データセットに基づいて、学習済みモデルを純粋に微調整し、VehicleNetと任意のターゲットドメインとの間の分布差を最小化する。本研究では、複数のソースデータセットから構成されるVehicleNetの提案と、二段階段階的表現学習の有効性を広範な実験を通じて検証する。AICity Challengeのプライベートテストセットにおいて、86.07%のmAPという最先端の精度を達成し、VeRi-776およびVehicleIDの2つの他の公開車両再識別データセットにおいても競争力ある結果を示した。本研究で提示する新しいVehicleNetデータセットおよび学習された堅牢な表現が、実世界環境における車両再識別技術の発展に貢献することを期待している。