차량 재식별은 다중 카메라 장면에서 동일 차량을 정확하게 매칭하는 것을 목표로 하며, 지능형 교통 및 공공 안전 모니터링에서 중요한 임무입니다. 기존 방법들의 국부적 세분화 특징 활용 부족, 부가 정보의 정적 융합, 다층 주의 집중 융합의 불안정성 문제를 해결하기 위해 적응형 부가 정보와 잔차 계층 주의 집중 기반 차량 재식별 네트워크를 제안합니다. 이 네트워크는 Vision Transformer를 기본 구조로 하며, 적응형 부가 정보 통합 모듈을 도입하여 패치 토큰을 동적으로 조절하고 문맥을 강화하여 다중 카메라 및 다중 시점 조건에서 특징 분포 편차를 완화합니다; 안정적인 잔차 계층 간 주의 집중 집계 모듈을 설계하여 여러 층에서 학습 가능한 주의 집중 융합에 잔차 구조를 도입하여 다중 스케일 의미 융합의 안정성과 전역 지도 신뢰성을 향상시킵니다; 다중 헤드 계층 적응 분할 모듈을 구축하여 물리적으로 해석 가능한 국부 표현을 적응적으로 추출합니다. 실험 결과 이 방법은 VeRi-776 데이터셋에서 83.8% mAP, 97.6% Rank-1, 98.8% Rank-5를 달성했으며, VehicleID 데이터셋의 Test-1600과 Test-2400 부분집합에서는 각각 80.6%와 78.6% Rank-1을 달성했습니다. 본 방법은 복잡한 차량 재식별 장면에서 정확도 면에서 일정한 장점을 가지며, 대규모 지능형 교통 시스템에서 잠재적 응용 가치를 지닙니다.

차량 재식별;적응형 부가 정보;계층적 주의 집중 융합;국부 특징 학습