A reidentificação de veículos tem como objetivo corresponder com precisão ao mesmo veículo em cenários de múltiplas câmeras, sendo uma tarefa importante no transporte inteligente e na monitorização da segurança pública. Para resolver problemas de utilização insuficiente de características locais finas, integração estática de informações laterais e instabilidade na fusão de atenção em múltiplas camadas nos métodos existentes, propõe-se uma rede de reidentificação de veículos baseada em informações laterais adaptativas e atenção hierárquica residual. Esta rede utiliza o Vision Transformer como arquitetura base, introduzindo um módulo de integração de informações laterais adaptativas que modula dinamicamente os tokens de patch e reforça o contexto para aliviar o desvio na distribuição das características sob condições de múltiplas câmeras e múltiplas vistas; projeta um módulo estável de agregação de atenção residual intercamadas, que introduz uma estrutura residual na fusão de atenção multilayer aprendível, melhorando a estabilidade da fusão semântica multiescala e a confiabilidade global; constrói um módulo de divisão hierárquica adaptativa de múltiplas cabeças, extraindo adaptativamente representações locais com certa interpretabilidade física. Os resultados experimentais mostram que o método alcança 83,8% de mAP, 97,6% de Rank-1 e 98,8% de Rank-5 no conjunto de dados VeRi-776; e 80,6% e 78,6% de Rank-1 nos subconjuntos Test-1600 e Test-2400 do conjunto de dados VehicleID, respetivamente. O método proposto apresenta certa vantagem em precisão em cenários complexos de reidentificação de veículos e possui valor potencial de aplicação em sistemas de transporte inteligente em larga escala.

Reidentificação de veículos;Informações laterais adaptativas;Fusão de atenção hierárquica;Aprendizado de características locais