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！

龙图腾网获悉山东科技大学申请的专利一种基于多模态辅助信息引导学习的行人重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：CN120612712B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202510579941.3，技术领域涉及：G06V40/10；该发明授权一种基于多模态辅助信息引导学习的行人重识别方法是由李豪杰;徐绅钰;刘华;张宏设计研发完成，并于2025-05-07向国家知识产权局提交的专利申请。

本一种基于多模态辅助信息引导学习的行人重识别方法在说明书摘要公布了：本发明公开了一种基于多模态辅助信息引导学习的行人重识别方法，属于计算机视觉行人重识别领域，构建模型MMFI进行行人重识别；模型MMFI包括多模态信息提取模块、辅助信息引导学习模块、知识蒸馏网络；具体包括如下步骤：步骤1、获取行人的RGB图像作为多模态信息提取模块的输入，输入图像通过三个不同的网络生成携带不同信息的三种模态特征；步骤2、构建辅助信息引导学习模块和隐式引导损失函数；步骤3、构建知识蒸馏网络和显式引导损失函数；步骤4、构建整体损失函数，用于模型MMFI整体反向传播；步骤5、构建推理模块，减小模型MMFI的复杂度。本发明方法行人重识别准确高，且计算效率高。

本发明授权一种基于多模态辅助信息引导学习的行人重识别方法在权利要求书中公布了：1.一种基于多模态辅助信息引导学习的行人重识别方法，其特征在于，构建模型MMFI进行行人重识别；模型MMFI包括多模态信息提取模块、辅助信息引导学习模块、知识蒸馏网络；具体包括如下步骤： 步骤1、获取行人的RGB图像作为多模态信息提取模块的输入，输入图像通过三个不同的网络生成携带不同信息的三种模态特征； 步骤2、构建辅助信息引导学习模块和隐式引导损失函数； 所述步骤2中，辅助信息引导学习模块包括第一特征融合模块、第二特征融合模块；第一特征融合模块和第二特征融合模块均包括交叉注意力机制、残差自注意力机制以及残差前馈网络，前馈神经网络后连接分类头，分类结果使用隐式引导损失函数约束；具体过程为： 步骤2.1、第一特征融合模块将生成的文本特征作为全局引导特征，对图像的全局特征通过交叉注意力、残差自注意力以及残差前馈网络处理得到全局融合特征，并在每一步之间加入批量归一化操作；公式如下： 1； ,,2； 3； ,,4； 5； 其中，表示图像全局特征与文本特征经过交叉注意力机制生成的特征，表示批量大小，表示通道维度；表示经过残差自注意力得到的特征；表示经过残差前馈网络得到的全局融合特征；表示批量归一化操作；为Softmax函数；表示特征维度；表示文本特征通过映射函数得到的查询；表示图像全局特征通过映射函数得到的键；表示图像全局特征通过映射函数得到的值；表示特征通过映射函数得到的查询；表示特征通过映射函数得到的键；表示特征通过映射函数得到的值；表示线性层；表示激活函数；为转置； 步骤2.2、将图像的局部特征进行分割得到和关键点数量相同的个局部子特征，第二特征融合模块将生成的关键点特征作为局部引导特征，对图像的局部特征通过交叉注意力、残差自注意力以及残差前馈网络处理，得到局部融合特征；公式如下： 6； ,,7； 8； ,,9； 10； 其中，表示图像局部子特征与关键点特征经过交叉注意力机制生成的特征，表示关键点数量；表示经过残差自注意力得到的特征；表示经过残差前馈网络得到的局部融合特征；表示关键点特征通过映射函数得到的查询；表示局部子特征通过映射函数得到的键；表示局部子特征特征通过映射函数得到的值；表示特征通过映射函数得到的查询；表示特征通过映射函数得到的键；表示特征通过映射函数得到的值； 步骤2.3、将全局融合特征与局部融合特征进行特征拼接，将拼接后的结果送入采用Softmax函数的分类头中得到分类结果，隐式引导损失函数使用实体损失和三元组损失监督分类结果；公式如下： 11； 12； 13； 14； 其中，表示特征拼接操作；表示通过Softmax函数计算得到图像对不同行人类别的得分，选取数值最高的得分作为当前图像的行人类别；表示第个图像的真实标签；为图像总数；为第个图像的类别结果；为实体损失；表示正样本；表示负样本；表示边界；为三元组损失；表示隐式引导损失； 步骤3、构建知识蒸馏网络和显式引导损失函数； 步骤4、构建整体损失函数，用于模型MMFI整体反向传播； 步骤5、构建推理模块，减小模型MMFI的复杂度。

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山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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。