买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京理工大学申请的专利基于深度主动学习的低成本行人再识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114187610B 。

龙图腾网通过国家知识产权局官网在2025-07-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111461351.9，技术领域涉及：G06V40/10；该发明授权基于深度主动学习的低成本行人再识别方法是由李旻先;高雯静设计研发完成，并于2021-12-02向国家知识产权局提交的专利申请。

本基于深度主动学习的低成本行人再识别方法在说明书摘要公布了：本发明公开了一种基于深度主动学习的低成本行人再识别方法，将动态样本选择与聚类预测伪标签集成到统一的框架中；该方法包括：获取行人数据集，输入无监督聚类模型，生成伪标签；基于主动学习思想，选择hard‑negative和hard‑positive行人样本对进行人工标记，根据标记结果分裂合并类簇，优化聚类结构，得到更加可靠的伪标签；带有伪标签的行人样本被用于模型训练，从而学习到更具有辨别力的特征表达，如此循环直到模型稳定。本发明能够解决在标记样本的人工成本有限，大量训练数据缺乏标签时行人再识别精度下降的问题。

本发明授权基于深度主动学习的低成本行人再识别方法在权利要求书中公布了：1.一种基于深度主动学习的低成本行人再识别方法，其特征在于，包括以下步骤： 步骤1，获取行人数据集，输入到无监督聚类模型，提取行人特征并生成聚类结果，为每个行人样本分配伪标签； 步骤2，基于主动学习思想，对每个类簇，选择若干hard-negative行人样本对进行人工标记，利用标记结果指导类簇分裂；具体为： 步骤201：对步骤1聚类结果中的每一个类簇，选择K-means聚类中心数K，根据K-means聚类结果，将原始类簇分裂为K个更小类簇；K-means中心数K的选取方法为，限制中心数最大取值kmax，遍历范围[2,kmax]内每一个整数k作为当前轮次内的聚类中心数，对数据进行K-means聚类，计算此次聚类结果的可靠度分数c_scorek，遍历完成后，选择分数最高时对应的聚类中心数作为最终K的取值，计算形式如下： 其中，N为表示聚类样本数； 所述可靠度分数c_scorek由类簇紧凑性指标comp和类簇独立性指标indep组成；已知类簇集合G，Gj表示其中第j个类簇，c_scorek的具体计算形式为： compj＝minSimintraGj∈[0,1] indepj＝1-maxSiminterGj,G∈[0,1] 其中，Simintra表示类簇Gj内的所有样本之间的相似度集合，Siminter表示类簇Gj对应的中心点与类簇集合G内其余类簇中心点的相似度集合； 步骤202：选择步骤201结果中K个类簇对应的中心行人样本，两两组成样本对，由专家标注样本对是否匹配，若不为同一个人，则为样本所在的类簇分配新的伪标签，若为同一个人，则保留原始聚类伪标签； 步骤3，基于主动学习思想，对每个类簇选择若干hard-positive行人样本对进行人工标记，利用标记结果指导类簇合并；具体为： 步骤301：根据步骤2聚类结果，获得n个类簇组成的集合C＝{C1,C2,...Cn}，对集合内每一个类簇Cj，计算类簇内所有样本的平均特征，距离最近的特征为类簇中心特征；对其余所有类簇与类簇Cj之间的中心特征相似度从大到小排序，得到相似度序列[s1,s2,...sn]；顺序计算序列前一项与后一项的差值，得到相似度差值序列d，对d中的数据做线性归一化后的结果记为选择截断阈值δ，内大于δ的值所对应的类簇组成候选类簇集合；计算形式为： d＝{dl＝sl-sl+1|l∈[1,lmax-1]} 对候选类簇集合中的每一类簇，获得其中心特征对应的行人样本，同时获得类簇Cj的中心样本，由专家标注样本之间的匹配关系； 步骤302：根据步骤301的标注结果，若两中心样本为同一个人，则为中心样本对应的两个类簇分配同一标签，若不为同一个人，则保留原有的聚类伪标签； 步骤4，利用步骤3获取的样本伪标签，训练无监督聚类模型；无监督聚类模型训练，采用对比损失作为损失函数，对于训练集中每一个行人样本，其损失计算形式为： 其中，xTck表示行人特征x和第k个类簇中心ck的相似度，n表示类簇数量，τ为温度参数； 步骤5，迭代步骤1至步骤4，直到模型收敛。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。