يهدف إعادة التعرف على المركبات إلى مطابقة نفس المركبة بدقة عبر مشاهد الكاميرات المختلفة، وهو مهمة مهمة في النقل الذكي ومراقبة السلامة العامة. في مواجهة المشاكل الحالية مثل الاستخدام غير الكافي للميزات الدقيقة المحلية، والدمج الثابت للمعلومات الجانبية، وعدم استقرار دمج الانتباه متعدد الطبقات، نقترح شبكة إعادة التعرف على المركبات القائمة على المعلومات الجانبية التكيفية وطبقات الانتباه المتبقية. تعتمد الشبكة على هيكل Vision Transformer، وتدمج وحدة دمج المعلومات الجانبية التكيفية لتنظيم رموز الباتش بشكل ديناميكي وتعزيز السياق، مما يخفف من انحراف توزيع الميزات عبر الكاميرات ووجهات النظر المختلفة؛ وتصمم وحدة دمج الانتباه المتبقية المستقرة عبر الطبقات، التي تُدخل هيكلية متبقية في دمج الانتباه متعدد الطبقات القابل للتعلم، لتحسين استقرار دمج الدلالات متعددة المقاييس وموثوقية التوجيه الشامل؛ وتبني وحدة التقسيم التكيفية متعددة الرؤوس لتستخلص تمثيلات محلية ذات تفسير فيزيائي معين. تظهر النتائج التجريبية أن هذه الطريقة تحقق mAP بنسبة 83.8% وRank-1 بنسبة 97.6% وRank-5 بنسبة 98.8% على مجموعة بيانات VeRi-776؛ وRank-1 بنسبة 80.6% و78.6% على مجموعتي Test-1600 وTest-2400 من بيانات VehicleID على التوالي. تتمتع هذه الطريقة بدقة تفوق في سيناريوهات إعادة التعرف المركبة المعقدة، ولها قيمة تطبيقية محتملة في أنظمة النقل الذكية واسعة النطاق.

إعادة التعرف على المركبات;المعلومات الجانبية التكيفية;دمج الانتباه الطبقي;تعلم الميزات المحلية