차량 재식별은 크로스 카메라 환경에서 동일 차량을 정확하게 매칭하는 것을 목표로 하며, 지능형 교통 및 공공 안전 감시의 중요한 과제입니다. 기존 방법의 국부 미세 특징 활용 부족, 측면 정보 통합의 정적임, 다계층 주의 융합의 불안정성 등의 문제를 해결하기 위해 적응형 측면 정보와 잔차 계층 주의를 기반으로 한 차량 재식별 네트워크를 제안합니다. 이 네트워크는 Vision Transformer를 기본 아키텍처로 사용하며, 패치 토큰을 동적으로 조절하고 문맥을 강화하는 적응형 측면 정보 통합 모듈을 도입하여 크로스 카메라 및 시점 변화 조건에서 특징 분포 편차를 완화합니다; 다중 계층 학습 가능한 주의 융합에 잔차 구조를 도입하여 다중 스케일 의미 융합 안정성과 전역 안내 신뢰도를 향상시키는 안정적인 잔차 계층 간 주의 집계 모듈을 설계합니다; 물리적으로 해석 가능한 국부 표현을 적응적으로 추출하는 다중 헤드 계층 적응 분할 모듈을 구축합니다. 실험 결과 본 방법은 VeRi-776 데이터셋에서 mAP 83.8%, Rank-1 97.6%, Rank-5 98.8%를 달성했으며, VehicleID 데이터셋의 Test-1600과 Test-2400 서브셋에서 각각 80.6%와 78.6%의 Rank-1을 기록했습니다. 본 방법은 복잡한 차량 재식별 시나리오에서 정확도 측면에서 일정한 우위를 가지며 대규모 지능형 교통 시스템에서 잠재적인 응용 가치를 지닙니다.

차량 재식별;적응형 측면 정보;계층 주의 융합;국부 특징 학습