Die Fahrzeug-Reidentifikation zielt darauf ab, dasselbe Fahrzeug in Szenarien mit mehreren Kameras genau zuzuordnen und ist eine wichtige Aufgabe im intelligenten Verkehr und in der öffentlichen Sicherheitsüberwachung. Um Probleme wie unzureichende Nutzung lokal feinkörniger Merkmale, statische Integration von Nebeninformationen und instabile mehrschichtige Aufmerksamkeitsfusion in bestehenden Methoden anzugehen, wird ein Fahrzeug-Reidentifikationsnetz basierend auf adaptiven Nebeninformationen und residualer hierarchischer Aufmerksamkeit vorgeschlagen. Das Netzwerk basiert auf der Architektur des Vision Transformers und führt ein adaptives Nebeninformations-Integrationsmodul ein, das Patch-Token dynamisch moduliert und den Kontext verstärkt, um Verschiebungen in der Merkmalsverteilung unter multi-Kamera- und Multi-Perspektiven-Bedingungen zu mildern; es entwirft ein stabiles Residual-Interlayer-Attentionsaggregationsmodul, das in die mehrschichtige lernbare Aufmerksamkeitsfusion eine Residualstruktur einführt, um die Stabilität der mehrskalierten semantischen Fusion und die globale Führungszuverlässigkeit zu erhöhen; es erstellt ein mehrköpfiges hierarchisches adaptives Teilungsmodul, das lokale Darstellungen mit gewisser physikalischer Interpretierbarkeit adaptiv extrahiert. Die Experimentergebnisse zeigen, dass die Methode auf dem VeRi-776-Datensatz 83,8 % mAP, 97,6 % Rank-1 und 98,8 % Rank-5 erreicht; auf den Test-1600- und Test-2400-Subset des VehicleID-Datensatzes jeweils 80,6 % und 78,6 % Rank-1. Die Methode weist in komplexen Szenarien der Fahrzeug-Reidentifikation eine gewisse Genauigkeitsvorteil auf und besitzt potenziellen Anwendungswert in groß angelegten intelligenten Verkehrssystemen.

Fahrzeug-Reidentifikation;Adaptive Nebeninformationen;Hierarchische Aufmerksamkeitsfusion;Lokales Merkmalslernen