基于分层视觉优化与条件侧信息校准的稳健车辆重识别方法

《Scientific Reports》：Robust vehicle re-identification with hierarchical visual refinement and conditional side-information calibration

　　

摘要

车辆重识别技术旨在通过分布在不同位置的交通摄像头识别出同一辆车。然而，由于遮挡、模糊、光照变化以及背景干扰等因素，细微的车辆特征很容易被破坏，因此实现可靠的匹配仍然十分困难。此外，不同数据集中的摄像头和视角标签可能也存在不完整或不一致的情况。为了解决这些难题，本研究提出了SCGF-Net，这是一种具备分层视觉优化和条件侧信息校准功能的车辆重识别框架。SCGF-Net首先强化中间层的局部特征，再进行深度语义抽象；随后将处理后的特征传递下去，以指导高层级的融合过程。当有兼容的摄像头或视角信息时，还会进行条件残差校准。这样的设计能够保留具有辨识度的车辆细节，抑制与车辆身份无关的响应，同时减少对完整辅助标注的依赖。在VeRi-776数据集上，SCGF-Net的mAP值达到85.9%，Rank-1值为98.4%，Rank-5值为99.2%，分别比Swin Transformer基线模型高出7.0%、4.2%和1.6%。在更为严格的VeRi-776到VeRi-Wild数据集转换测试中，SCGF-Net的mAP、Rank-1和Rank-5值仍分别比Swin Transformer基线模型高出2.6%、3.4%和3.9%。通过消融实验、受控的元数据扰动实验以及注意力可视化分析，进一步验证了所提组件的有效性和适用范围。这些结果表明，即使在数据集发生变化或元数据质量下降的情况下，SCGF-Net依然具有良好的性能。