多尺度特征共享与协同采样驱动的无监督车辆重识别方法研究

本文提出多尺度特征共享与协同采样（MFSCS）方法，针对无监督车辆重识别（Re-ID）中的伪标签噪声问题展开研究。通过设计多尺度特征共享模块（MFS）实现全局与局部特征的交互优化，结合协同采样策略（CS）有效处理聚类异常值，在Truck-ID和VeRi-776数据集上验证了方法的优越性。该研究为智能城市系统中车辆检索技术提供了无需标注的解决方案（Unsupervised Learning），显著提升了模型在跨摄像头场景下的识别稳定性（mAP/Rank-1指标）。

　　

Highlight

本研究创新性提出：

• 多尺度特征共享模块（Multi-scale Feature Sharing, MFS）通过促进特征表示中更具判别力的局部线索发现，实现特征学习过程的共享优化

• 协同采样策略（Collaborative Sampling, CS）优先对已标记数据进行分组采样，有效缓解模型训练早期过拟合现象，提升训练过程的准确性和稳定性

• 在挑战性卡车重识别数据集Truck-ReID和VeRi-776上的实验表明，本方法较基线模型和主流方法具有竞争优势

Method

提出的多尺度特征共享与协同采样（MFSCS）方法框架如图2所示。针对车辆重识别特有的结构特征，我们设计了车辆结构多尺度特征共享模块（Vehicle Structure MFS），该模块通过分层特征交互机制，有效捕捉卡车等特殊车辆的关键局部特征（如车头/车身分区特征）。特征协同采样模块则采用动态加权策略，在聚类过程中对样本进行协同组合，显著降低异常值对模型训练的干扰。

Datasets and Evaluation Protocols

实验选用VeRi-776和Truck-ReID两大基准数据集。其中Truck-ID包含32,353张卡车图像（13,137个车牌ID），按难度分为Easy（8,161图/4,126ID）、Medium（12,381图/8,074ID）和Hard（11,811图/8,937ID）三个子集。评估采用标准Re-ID指标：平均精度（mAP）和首位命中率（Rank-1）。

Discussion

实验发现现有无监督方法在Truck-ReID数据集上表现欠佳，其Rank-1普遍低于mAP值。这表明卡车重识别场景存在显著类内差异（intra-class variance）和类间相似性（inter-class similarity）问题，而本方法通过细粒度特征共享机制，在保持全局特征鲁棒性的同时，有效强化了关键局部特征的判别能力。

Conclusion

针对无监督车辆重识别中的聚类敏感性问题，本文提出的MFSCS方法通过多尺度特征共享模块实现了全局与局部特征的充分交互，结合协同采样策略优化了聚类过程。该方法特别适用于卡车重识别等具有显著结构特征的场景，为智能交通系统中的跨摄像头目标检索提供了新的技术思路。