Перспективное повторное распознавание транспортных средств направлено на точное сопоставление одного и того же автомобиля в условиях перекрёстного видеонаблюдения и является важной задачей в области интеллектуального транспорта и общественной безопасности. В ответ на проблемы существующих методов, такие как недостаточное использование локальных тонких признаков, статическая интеграция боковой информации и нестабильное многослойное внимание, предлагается сеть повторного распознавания транспортных средств на основе адаптивной боковой информации и остаточного иерархического внимания. Сеть основана на архитектуре Vision Transformer, вводит модуль адаптивной интеграции боковой информации для динамической модуляции и контекстного усиления патч-токенов с целью смягчения смещения распределения признаков при пересечении камер и углов обзора; разрабатывается стабильный модуль остаточного внимания для агрегации между слоями с внедрением остаточной структуры в многослойном обучаемом внимании, что улучшает стабильность многомасштабного семантического слияния и надежность глобального руководства; создается многошаговый иерархический адаптивный модуль разделения для извлечения локальных представлений с определенной физической интерпретацией. Экспериментальные результаты показывают, что метод достигает 83.8% mAP, 97.6% Rank-1 и 98.8% Rank-5 на наборе данных VeRi-776; на подвыборках Test-1600 и Test-2400 набора данных VehicleID достигает 80.6% и 78.6% Rank-1 соответственно. Метод обладает определенными преимуществами в точности в сложных сценариях повторного распознавания транспортных средств и имеет потенциальную прикладную ценность в масштабных интеллектуальных транспортных системах.

повторное распознавание транспортных средств;адаптивная боковая информация;иерархическое внимание;обучение локальных признаков