買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉寧波大學(xué)申請的專利基于自標(biāo)簽精煉深度學(xué)習(xí)模型的無監(jiān)督行人重識別方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114648779B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-09發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210246604.9，技術(shù)領(lǐng)域涉及：G06V40/10；該發(fā)明授權(quán)基于自標(biāo)簽精煉深度學(xué)習(xí)模型的無監(jiān)督行人重識別方法是由余曉婷;郭立君;張榮設(shè)計研發(fā)完成，并于2022-03-14向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于自標(biāo)簽精煉深度學(xué)習(xí)模型的無監(jiān)督行人重識別方法在說明書摘要公布了：本發(fā)明提供了基于自標(biāo)簽精煉深度學(xué)習(xí)模型的無監(jiān)督行人重識別方法，涉及行人重識別技術(shù)領(lǐng)域，本方法包括步驟：S1：獲取不帶標(biāo)簽的行人圖片數(shù)據(jù)集其中N表示數(shù)據(jù)集中圖片的數(shù)量，xi表示數(shù)據(jù)集中第i張行人圖片，將每張圖片的尺寸調(diào)整為相同高度和寬度，并進(jìn)行預(yù)處理；S2：構(gòu)建自標(biāo)簽精煉深度學(xué)習(xí)模型，將預(yù)處理的訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)，提取圖片樣本的多粒度特征；其中，多粒度特征包括全局特征、上半身特征和下半身特征。本方法能夠通過局部特征對偽標(biāo)簽進(jìn)行更正，從而緩解因跨視角造成的同個行人的圖片上的差異，并提高網(wǎng)絡(luò)對噪聲標(biāo)簽的魯棒性。

本發(fā)明授權(quán)基于自標(biāo)簽精煉深度學(xué)習(xí)模型的無監(jiān)督行人重識別方法在權(quán)利要求書中公布了：1.基于自標(biāo)簽精煉深度學(xué)習(xí)模型的無監(jiān)督行人重識別方法，其特征在于，包括步驟： S1：獲取不帶標(biāo)簽的行人圖片數(shù)據(jù)集其中N表示數(shù)據(jù)集中圖片的數(shù)量，xi表示數(shù)據(jù)集中第i張行人圖片，將每張圖片的尺寸調(diào)整為相同高度和寬度，并進(jìn)行預(yù)處理； S2：構(gòu)建自標(biāo)簽精煉深度學(xué)習(xí)模型，將預(yù)處理的訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)，提取圖片的多粒度特征；其中，多粒度特征包括全局特征、上半身特征和下半身特征； 所述自標(biāo)簽精煉深度學(xué)習(xí)模型由特征提取器，記憶模塊和自標(biāo)簽精煉模塊組成； 所述特征提取器結(jié)構(gòu)包括兩部分，所述特征提取器的第一部分采用ResNet50架構(gòu)的前四個階段；所述特征提取器的第二部分在第一部分后分為兩個分支，分別為全局分支和局部分支，對所述全局分支得到的特征圖采用Generalize-meanPooling進(jìn)行池化，其中參數(shù)p＝2，池化后特征圖大小為2048×1×1；對所述局部分支得到的特征圖采用Generalize-meanPooling池化，參數(shù)p＝2，池化后的特征圖大小為2048×2×1，并對特征圖進(jìn)行水平條劃分，得到兩個大小均為2048×1×1的局部特征圖；對所述局部分支得到的特征圖通道進(jìn)行縮減，采用256個1×1的卷積核對兩個2048×1×1的局部特征圖分別進(jìn)行卷積，對得到結(jié)果進(jìn)行BatchNormalize和ReLU，所述局部分支得到兩個局部特征圖大小為256×1×1和256×1×1；對所述全局分支和所述局部分支得到的特征圖進(jìn)行維度剪裁，得到一個維度為2048×1的全局特征和兩個256×1的局部特征； S3：對提取的多粒度特征進(jìn)行聚類，得到全局偽標(biāo)簽，上半身偽標(biāo)簽和下半身偽標(biāo)簽； S4：根據(jù)聚類結(jié)果構(gòu)建記憶模塊，計算一致性矩陣并修正全局偽標(biāo)簽；其具體過程為： S41：對所有圖片的全局特征計算兩兩之間的Jaccard距離，得到N×N維的距離矩陣； S42：結(jié)合得到的距離矩陣，采用DBSCAN進(jìn)行聚類，對一個簇中的圖片賦予相同的偽標(biāo)簽，對聚類產(chǎn)生的離群點，賦予其最近的簇的偽標(biāo)簽； S43：對局部特征，包括上半身特征和下半身特征，分別計算Jaccard距離矩陣，并采用DBSCAN進(jìn)行各自聚類操作，對離群點同樣采取分配最近簇偽標(biāo)簽的方式，分別得到各自的偽標(biāo)簽； S5：通過計算總損失，梯度回傳更新網(wǎng)絡(luò)參數(shù)，動量更新記憶模塊參數(shù)，保存網(wǎng)絡(luò)的最優(yōu)參數(shù)； 所述ResNet50架構(gòu)包括五個階段，分別為： 第一階段：卷積操作的卷積核數(shù)目為64，卷積核大小為7×7，補零參數(shù)的值為3，步長為2；BatchNormalize和ReLU激活；最大池化操作的核大小為3×3，補零參數(shù)值為1，步長為2； 第二個階段包括三個Bottleneck； 第三個階段包括四個Bottleneck； 第四個階段包括六個Bottleneck； 第五個階段包括三個Bottleneck； 所述的將預(yù)處理的訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)為數(shù)據(jù)集中的所有行人圖片均輸入到所述特征提取器中，得到特征集 其中分別表示圖片xi的全局特征，上半身特征和下半身特征； 所述的計算一致性矩陣為：將全局偽標(biāo)簽為n的圖片集合記為Ign，其中n∈[1,Zg]，Zg表示全局特征聚類得到的類別數(shù)，將上半身偽標(biāo)簽為j，下半身偽標(biāo)簽為k的圖片集合記為Iupj和Ilowk，其中j∈[1,Zup]，k∈[1,Zlow]，Zup和Zlow分別是上半身特征和下半身特征聚類得到的類別數(shù)； 所述修正全局偽標(biāo)簽為給定一個圖片xi，得到它的one-hot全局偽標(biāo)簽上半身特征和下半身特征結(jié)合得到的一致性矩陣和記憶模塊，計算傳遞的局部標(biāo)簽置信度，更正全局偽標(biāo)簽； 將訓(xùn)練圖片數(shù)據(jù)隨機(jī)平均分成多個batch，每個batch中包含P個類別，每個類別有K張圖片，一個batch有P×K張圖片；一個圖片xi包括三個特征，分別為全局特征上半身特征和下半身特征還包括三個標(biāo)簽，分別為全局偽標(biāo)簽上半身偽標(biāo)簽和下半身偽標(biāo)簽對圖片的全局偽標(biāo)簽進(jìn)行修正，得到修正后的標(biāo)簽為

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人寧波大學(xué)，其通訊地址為：315021 浙江省寧波市江北區(qū)風(fēng)華路818號寧波大學(xué)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。