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！

龙图腾网获悉江苏大学申请的专利一种车路协同场景下多视角车辆再识别模型及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：CN114743172B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202210064408.X，技术领域涉及：G06V20/58；该发明授权一种车路协同场景下多视角车辆再识别模型及方法是由王海;袁欣;罗彤;蔡英凤;陈龙;李祎承;刘擎超;孙晓强设计研发完成，并于2022-01-20向国家知识产权局提交的专利申请。

本一种车路协同场景下多视角车辆再识别模型及方法在说明书摘要公布了：本发明公开了一种车路协同场景下多视角车辆再识别模型及方法，建立了一个基于车路协同场景的模拟数据集V2I‑CARLA，针对固定平台及移动平台采集视觉信息中车辆目标尺度差异大，细节特征无法获取等问题，在特征提取模块中引入特征金字塔注意力模块FPA，获取车辆的多尺度特征，提升捕捉车辆特征完整性。针对相似细节特征区分度不够的问题，提出将圆损失Circleloss应用于车辆重识别任务，加强算法区分力度，提升车辆匹配效果。本发明在车路协同模拟场景中实现较高匹配精度，同时在公开车辆重识别数据集上也拥有良好匹配效果。

本发明授权一种车路协同场景下多视角车辆再识别模型及方法在权利要求书中公布了：1.一种车路协同场景下多视角车辆再识别模型，其特征在于，包括特征提取模块、特征金字塔注意力模块、损失函数模块；其中，在特征提取模块中引入特征金字塔注意力模块，损失函数模块中使用圆损失Circleloss实现车辆重识别任务； 所述特征提取模块：在原始resnet50backbone中加入IBNblock，IBNblock包括实例规范化InstanceNormalization，IN和批量规范化BatchNormalization，BN，BN用于提高特征对图像内容的敏感度，降低对图片风格变化的鲁棒性，IN用于提高对风格类变化的鲁棒性；Resnet包括4组残差块，在前三个残差块中同时使用IN和BN，将IN和BN加入renet50中残差块的第一个卷积之后，IN和BN同时使用，将第一个卷积的输出通道64,128，256，一半通道32,64,128通过BN，另一半通道32,64,128通过IN；同时在骨干网络中引入了通道注意力和空间注意力模块CBAM，将CBAM加在resnet50中第一个卷积之后、第一个残差块之前，将CBAM中的通道注意力与空间注意力按序排列，通道注意力对经过第一个卷积后的特征同时使用平均池化AvgPooling和最大池化MaxPooling，得到平均池化特征和最大池化特征，之后将这两个特征传递到包含一个多层感知器sharedMLP和一个隐藏层的共享网络中，得到通道注意力图，之后将通道注意力图输入空间注意力部分，先做一个基于通道的全局最大池化GlobalMaxPooling和全局平均池化GlobalAveragePooling，然后将得到的两个特征进行相加，经过一个卷积操作和sigmoid激活函数后生成空间注意力特征； 所述特征金字塔注意力模块：使用3×3,5×5,7×7三个大小不同的卷积核提取不同尺度的金字塔特征，该模块包含四个分支和一个主支，三个使用不同卷积核大小的分支在经过卷积操作后，分别使用反卷积进行上采样，每个分支得到的特征图依次从上至下，进行相加，主支引入1×1卷积，将特征提取模块提取出的原始特征与三个不同大小卷积核分支产生的金字塔注意力特征进行像素相乘得到多尺度特征，另一分支引入全局池化，1×1卷积，之后进行上采样输出全局特征，最后将全局特征与先前得到的多尺度特征进行相加，得到最后的输出特征； 损失函数模块：引入圆损失CircleLoss取代三元组损失TripletLoss，圆损失函数设计为： 其中：Op＝1+m,On＝-m,△p＝1-m,△n＝m；L是负样本的个数，K是正样本的个数，是负样本类间相似度，是正样本类内相似度，[·]+代表非负操作，αn为负样本的非负整数权重因子，αp为正样本的非负整数权重因子，On和Op是和的优化后的理想值，即On＝0和Op＝1，△n和△p分别为类间和类内的阈值参数，在Circleloss中sn和sp是不对称的，所以sn和sp分别需要一个阈值，边界系数m的值为0.25，允许最大化类内相似度sn和最小化类间相似度sp以不同的速度学习，γ为调节系数，其数值大小为256； 将分类损失IDLoss和圆损失CircleLoss配合使用优化同一个特征，分类损失使用交叉熵损失进行计算： pi为预测ID概率，qi为正样本概率，N为标签数量； 标签形式为One-hot编码的形式，qi只有0和1两个值，当y≠i时，qi＝0；当y＝i时，qi＝1；其中y是真实ID标签； 在计算分类损失时配合使用标签平滑LabelSmoothing的方法，即使得i＝y时，i≠y时，ε是一个参数，值为0.1； 同时使用圆损失和分类损失来优化整个网络结构，总体损失函数为： Lsum＝Lcircle+Lcross。

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江苏大学，其通讯地址为：212013 江苏省镇江市京口区学府路301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”。