摘要
现有的车辆重识别方法通常采用空间池化操作，对通过现成主干网络提取的特征图进行特征聚合。然而，这类方法忽略了对特征图空间结构意义的深入挖掘，最终导致车辆重识别性能下降。本文首先提出一种创新的空间图网络（Spatial Graph Network, SGN），以精细地探索特征图的空间语义信息。SGN通过堆叠多个空间图（Spatial Graphs, SGs）实现，其中每个SG将特征图的元素视为节点，并利用空间邻域关系确定节点间的连接边。在SGN的传播过程中，每个节点及其在对应空间图中的邻域节点被聚合至下一层次的SG中；在下一SG中，每个聚合后的节点通过可学习参数进行重新加权，以识别其在对应空间位置上的重要性。其次，本文设计了一种新型的分层图网络（Pyramidal Graph Network, PGN），用于在多尺度下全面挖掘特征图的空间语义信息。PGN以分层结构组织多个SGN，使每个SGN分别处理特定尺度的特征图，从而实现多尺度空间特征的协同建模。最后，通过将PGN嵌入基于ResNet-50的主干网络之后，构建出一种混合分层图网络（Hybrid Pyramidal Graph Network, HPGN）。在三个大规模车辆重识别数据库（即VeRi776、VehicleID和VeRi-Wild）上的大量实验结果表明，所提出的HPGN在性能上显著优于当前最先进的车辆重识别方法。