買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國礦業大學申請的專利基于自適應個性化聯邦學習的行人重識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115565206B 。

龍圖騰網通過國家知識產權局官網在2025-08-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211404940.8，技術領域涉及：G06V40/10；該發明授權基于自適應個性化聯邦學習的行人重識別方法是由趙佳琦;付傲;周勇;阿卜杜勒莫塔萊布·埃爾·薩迪克設計研發完成，并于2022-11-10向國家知識產權局提交的專利申請。

本基于自適應個性化聯邦學習的行人重識別方法在說明書摘要公布了：本發明公開了一種基于自適應個性化聯邦學習的行人重識別方法，屬于圖像處理技術領域。具體步驟如下：不同區域行人重識別數據預處理；構造不同區域的訓練數據集；構建個性化本地模型；協同訓練本地模型和全局模型；構造不同區域的測試數據集；根據定制完成的個性化本地模型進行推理；輸出行人重識別的結果。本發明解決現有方法難以針對監控攝像頭分布廣和采集的圖像數據更新快的特點進行快速集中學習的問題，步驟簡單，處理效率高，針對聯邦學習場景下行人重識別準確率高。

本發明授權基于自適應個性化聯邦學習的行人重識別方法在權利要求書中公布了：1.一種基于自適應個性化聯邦學習的行人重識別方法，其特征在于：利用行人重識別系統，行人重識別系統包括能夠進行聯邦模型參數聚合的服務器，服務器分別連接多個具有訓練能力并執行不同數據集訓練的客戶端節點，服務器向不同的客戶端節點分配訓練任務，客戶端節點將權重回傳到服務器； 針對監控攝像頭分布廣和采集的圖像數據更新快的特點進行快速集中學習，對不同區域行人重識別數據預處理； 構建基于自適應個性化聯邦學習的行人重識別模型，行人重識別模型包括本地個性化模型、全局模型； 生成不同區域具有各自特點的訓練數據集，訓練基于自適應個性化聯邦學習的行人重識別模型： 獲取并構造不同區域的測試數據集；對不同客戶端節點，將測試樣本分別輸入到不同客戶端節點內的個性化本地模型中，由全局聚合模塊和本地個性化模塊協同進行推理，得到特征向量； 將查詢圖像得到的特征向量和圖像庫中的圖像得到的特征向量計算余弦距離，將排名靠前的結果作為最終結果輸出，完成行人重識別； 具體步驟如下： S1、構建基于自適應個性化聯邦學習的行人重識別模型，行人重識別模型包括多個本地個性化模型和全局模型，其中，每個客戶端節點內都設有一個本地個性化模型，全局模型只設置在服務器中；本地個性化模型包括兩個子模塊，分別為全局聚合模塊和本地個性化模塊，兩個子模塊結構同屬于Osnet網絡，初始化一個維度等于輸出特征圖的張量，用于連接這兩個子模塊；全局模型的結構和本地個性化模型的全局聚合模塊保持一致同樣使用Osnet網絡，參數由本地個性化模型的全局聚合模塊通過個性化權重聚合得到； S2、針對每個客戶端構造不同區域行人信息的訓練數據集：使用多個公開的行人重識別數據集來模擬數據集，按照不同數據集的官方文檔劃分訓練集和測試集，將行人重識別數據集中每張圖片調整成統一的大小，進行數據增強；為每個客戶端節點構造數據加載器，用于給客戶端的地個性化模型提供數據進行訓練； S3、每個客戶端在自己的數據集上訓練基于自適應個性化聯邦學習的行人重識別模型，使用客戶端節點的本地訓練數據集對該客戶端節點自己的全局聚合模塊進行訓練，然后將訓練完成的全局聚合模塊發送到服務器端使用自適應聚合權重進行融合，獲得全局模型；本地個性化模塊使用本地數據集僅進行訓練但不進行全局聚合；將聚合后的全局模型發送到每一個不同區域的客戶端，將聚合后的全局模型替代本地個性化模型的全局聚合模塊，然后使用上面訓練完成的本地個性化模塊對全局聚合模塊進行修正，防止全局聚合模塊偏離本地數據特征空間過大，迭代訓練若干輪之后獲得訓練完畢的本地個性化模型，最后使用S1中的可學習的權重參數將訓練完畢的本地個性化模型的全局聚合模塊和本地個性化模塊兩者進行連接融合，然后利用本地訓練數據集對兩者進行協同訓練，得到最終的本地個性化模型； S4、重復步驟S2獲取不同區域測試樣本，從而使所有客戶端節點生成不同區域的數據集： S5、將不同區域的測試樣本分別輸入到不同區域的客戶端節點的專屬本地個性化模型，由全局聚合模塊和本地模塊共同推理得到測試樣本特征； S6、將得到的樣本特征和數據集官方劃分的圖像庫中的特征進行比較和排序，選出相似度最高的圖像庫中的圖像作為最終測試結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國礦業大學，其通訊地址為：221116 江蘇省徐州市大學路1號中國礦業大學；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。