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！

龙图腾网获悉北京航空航天大学申请的专利一种基于朝向感知的行人属性表示与学习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：CN115862071B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202211616862.8，技术领域涉及：G06V40/10；该发明授权一种基于朝向感知的行人属性表示与学习方法是由胡海苗;逯伟卿;于金佐;周亦博;曹雨然设计研发完成，并于2022-12-15向国家知识产权局提交的专利申请。

本一种基于朝向感知的行人属性表示与学习方法在说明书摘要公布了：本发明提供一种基于朝向感知的行人属性表示与学习方法，其中，该方法包括以下步骤：A以SwinTransformer神经网络提取图像特征，将特征图与特征部位进行关联，并将特征图转化为与属性具有强关联的属性特征向量；B根据A生成的属性特征向量，采用MEBOW模块，生成行人的朝向矢量；C根据A生成的属性特征向量，采用GradCAM方法生成所述行人结构化描述的类激活图，并根据B生成的行人的朝向矢量，采用LSTM模块计算空间注意力修正子；D根据A生成的属性特征向量，以self‑attention的方式计算并存储一个表征注意力分布的二维矩阵，并根据B生成的行人的朝向矢量，生成每个朝向的关系矩阵；E根据关系矩阵和属性特征向量，以图卷积的形式充分利用关系矩阵，进行属性推理预测；F将测试集输入到行人属性识别模型中进行识别，对实验结果进行评估。

本发明授权一种基于朝向感知的行人属性表示与学习方法在权利要求书中公布了：1.一种基于朝向感知的行人属性表示与学习方法，其特征在于包括下列步骤： S1以一种深度学习模型提取图像特征，进行特征压缩，生成属性特征向量；其中所述深度学习模型包括从SwinTransformer、ResNet-50、ResNet-101中选出的一种； S2根据步骤S1生成的属性特征向量，采用MEBOW模块，生成二维矢量，称作行人的朝向矢量，并根据行人的朝向矢量建立两个分支，即非方向感知分支和方向感知分支； S3根据步骤S1生成的属性特征向量，采用Grad-CAM方法生成行人的结构化描述的类激活图，并根据步骤S2生成的行人的朝向矢量，归类存储不同属性的预测的一个批次的类激活图序列，成为空间注意力的伪序列，将每个属性都采用LSTM模块计算并存储空间注意力修正子，融合属性的空间注意力修正子和属性特征向量，得到属性的空间注意力修正后特征； S4根据步骤S1生成的属性特征向量，以self-attention的方式计算并存储一个表征注意力分布的二维矩阵作为属性关系的图结构，并根据步骤S2生成的行人的朝向矢量，为行人的每个朝向存储包含两组不同的非对称异构权重，该权重是由输入的属性特征向量之间的配对关系动态生成的，该二维矩阵代表属性之间关系，成为每个朝向的关系矩阵； S5根据步骤S3生成的每个属性的空间注意力修正子，引导属性特征的空间注意力进行修正，通过残差连接结构融合行人的每个属性的属性特征向量和空间注意力修正图，成为朝向引导下的空间注意力修正后特征； S6根据所述关系矩阵和所述空间注意力修正后特征，以图卷积的形式利用关系矩阵，进行属性推理预测； S7选用加权交叉熵损失函数，解决正负样本不均匀问题，平衡正负样本； S8将测试集输入到行人属性识别模型中进行识别，对行人属性识别模型的实验结果进行评估， 其中： 所述步骤S1包括： S1.1选取从SwinTransformer、ResNet-50、ResNet-101中选出的一种作为特征提取神经网络； S1.2通过特征提取神经网络的最后层输出特征图，其形状为2048x7x7，形成属性特征向量， 所述步骤S2包括： S2.1选取MEBOW神经网络作为朝向提取神经网络； S2.2通过朝向提取神经网络的最后层输出特征图，其形状为24x3，成为行人的朝向矢量， 所述步骤S3包括： S3.1使生成的属性的空间注意力修正子形状与生成的行人结构化描述的类激活图形状保持一致； S3.2在空间注意力修正子的生成方式为将类激活图通过行人的朝向矢量引导转化为空间注意力的伪序列后，以LSTM的方式进行迭代生成， 所述步骤S4包括： S4.1使生成的属性特征向量的数量与最后得出的属性的数量保持一致； S4.2在关系矩阵的生成方式为将属性特征向量通过全连接神经网络转化为高维向量后，以自注意力的方式进行矩阵乘生成， 所述步骤S5包括： S5.1使生成的空间注意力修正后特征的数量与最后得出的属性的数量保持一致； S5.2在空间注意力修正图的生成方式为将属性特征向量通过属性的空间注意力修正子矩阵乘转化生成， 所述步骤S6包括： S6.1根据行人的朝向矢量，取所述关系矩阵，通过在所述图卷积的操作生成最后的预测结果； S6.2为保留属性特征向量信息在运算过程中丢失的信息，加入残差结构，其中用scores代表属性预测的概率，用W_c作为c标签出现的概率； S6.3不断迭代学习，直到损失函数值不再下降，行人属性识别模型收敛，保存行人外观属性识别模型参数,得到最终的行人属性识别模型。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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”。

以上内容由龙图腾AI智能生成。