해상 선박 재식별은 해상 감시 및 지능형 상황 인식 시스템 발전에 중요한 역할을 한다. 기존의 선박 재식별 방법은 보행자 중심 알고리즘을 직접 적용하여, 선박 이미지의 고유한 문제점, 특히 동일 객체 내 변동성 증가와 국부적 부분 누락으로 인한 이상치 샘플 발생에 적합하지 않다. 이러한 문제를 해결하기 위해, 본 논문은 Multi-scale Correlation-aware Transformer Network (MCFormer)를 제안한다. MCFormer는 Global Correlation Module (GCM)과 Local Correlation Module (LCM)을 통해 전체 입력 세트에서 다중 스케일 상관 관계를 명시적으로 모델링하여, 동일 객체 내 변동 또는 국부적 누락으로 인한 이상치 샘플의 부정적인 영향을 억제한다. GCM은 전체 이미지에 걸쳐 전역 유사성 어피니티 행렬을 구성하여 상호 이미지 일관성을 기반으로 특징을 집계하여 전역 상관 관계를 모델링하며, LCM은 동적 메모리 뱅크를 유지하여 긍정 샘플의 국부 특징을 맥락적 유사성과 정렬하여 국부 상관 관계를 추출하여 개별 이미지의 누락 또는 가려진 영역을 효과적으로 보완한다. MCFormer는 여러 스케일에 걸쳐 상관 관계가 있는 전역 및 지역 특징을 통합하여 이미지 특징 간의 잠재적 관계를 효과적으로 포착한다. 세 가지 벤치마크 실험을 통해 MCFormer가 최첨단 성능을 달성했음을 입증한다.
