استجابةً لمشاكل التشويش في الانتباه ونقص نمذجة العلاقات المكانية الدقيقة والاحتساب الزائد في طرق إعادة التعرف عبر النماذج القائمة على ViT، تقترح هذه الورقة طريقة لإعادة التعرف عبر الأنماط معززة باندماج آليات متعددة. تعتمد الطريقة على نموذج ViT كأساس، مع استراتيجية دمج ميزات متعددة الأبعاد لتعزيز القدرة التعبيرية. أولاً، تم إدخال وحدة الانتباه التفاضلي (DAM) التي تحسب اختلافات بين مجموعتين من خرائط الانتباه المتوازية، مما يقلل بشكل فعال من الضوضاء الشائعة عالية التردد في الخلفية، ويرفع بشكل ملحوظ تركيز النموذج على مناطق الشخص المستهدفة؛ ثانياً، تم تصميم وحدة إدراك العلاقات التدريجية الطبقية (RAM) التي تقوم بنمذجة العلاقات المكانية من المحلية إلى العالمية بشكل تكيفي، وتفوق على قيود ViT في فقدان المعلومات البنيوية المكانية عند التعامل مع العوائق وتغيرات الوضعية؛ أخيراً، تم دمج آلية الانتباه الذاتي للنوافذ المتقاطعة (CSWA) عبر تقسيم خريطة الميزات إلى أشرطة أفقية وعمودية لتنفيذ حساب انتباه ذاتي موازٍ، مما يخفض التعقيد الحسابي إلى مستوى خطي ويلتقط بكفاءة الاعتماديات العالمية بعيدة المدى. تُظهر النتائج التجريبية أن mAP وRank-1 على مجموعة بيانات MSMT17 يصلان إلى 68.1% و86.3% على التوالي؛ وعلى مجموعة Occluded-Duke، تزداد mAP وRank-1 بنسبة 5.5% و6.3% على التوالي؛ وعلى مجموعات Market-1501 وDukeMTMC-reID، تحقق الطريقة أداءً يفوق ViT التقليدي. تشير النتائج الشاملة إلى أن الطريقة تعالج بفعالية مشكلة تشتت الميزات وفقدان المعلومات المكانية في نماذج ViT التقليدية لمهام إعادة التعرف على الأشخاص، معززةً بشكل ملحوظ متانة النموذج وقدرته على التعميم في بيئات بها عوائق وخلفيات معقدة.

إعادة التعرف على الأشخاص;عبر الأنماط;ViT;DAM;CSWA;RAM