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！

龙图腾网获悉中国石油大学(华东)申请的专利基于非对比最近邻身份引导的无监督目标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：CN115601579B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202211371308.8，技术领域涉及：G06V10/762；该发明授权基于非对比最近邻身份引导的无监督目标重识别方法是由刘宝弟;韩东辰;李梦娇;兴雷;刘伟锋设计研发完成，并于2022-11-03向国家知识产权局提交的专利申请。

本基于非对比最近邻身份引导的无监督目标重识别方法在说明书摘要公布了：本发明涉及模式识别技术领域，尤其涉及一种基于非对比最近邻身份引导的无监督目标重识别方法，旨在有效缓解类冲突问题和噪声问题。该基于非对比最近邻身份引导的无监督目标重识别方法，为模型提供了高度准确的先验，具体来说，该方法依赖于随机类别采样器，为网络提供一个小批量内具有相同身份的最近邻的回归目标。它通过具有指数移动平均的连体网络在迭代过程中对越来越多的信息进行编码，以训练高质量的表示，减轻了噪声实例的负面影响并纠正了训练期间的类冲突问题。

本发明授权基于非对比最近邻身份引导的无监督目标重识别方法在权利要求书中公布了：1.一种基于非对比最近邻身份引导的无监督目标重识别方法，其特征在于，包括epoch过程和迭代过程，每个所述epoch过程包含多次迭代过程；所述epoch过程包括： 通过设置查询集Q＝{p1,p2,…}和图库集G＝{g1,g2,...}来测试模型的未标记的训练集X＝{xi∣x1,x2,...,xn}的性能，其中，n表示未标记的训练集X的数量；Xi表示训练集中的每一个元素；p1，p2表示查询集中的元素；g1，g2表示图库集中的元素； 通过连体网络的在线网络提取训练集X的特征，得到表示矩阵Z＝{zi∣z1,z2,…,zn}∈Rn×d，其中，d表示表征的维度；n表示训练集的数量；zi与训练集中的xi相对应，表示在训练集中第i张图片的表征； 通过使用DBSCAN聚类算法生成伪标签，得到伪标签Y＝{yi∣y1,y2,…,yn}∈Rn，伪标签仅采用聚类内点并丢弃聚类异常值，其中，yi表示第i张训练集图片对应的伪标签，n表示训练集的数量； 根据聚类内点计算质心，得到质心C＝{ck∣c1,c2,…,ck}∈RK×d，并将质心存储在动态更新的内存库中，其中K表示伪标签类的数量；ck表示第k个集群的表示向量，d表示表征的维度； 将伪标签重新分配给训练集X，覆盖原始标签； 所述第k个集群的表示向量ck为； 其中，Nk表示包含所有表征向量的第k个聚类子集；|·|表示计数运算符； 所述迭代过程包括： 通过随机类别采样器对训练集X进行采样，将得到的数据集分为多个小批量； 通过连体网络从不同的训练数据集采样两个独立的数据增强t和t′，数据增强后的小批量样本为和 将数据增强后的小批量样本和分别输入连体网络的在线网络和目标网络，即得到归一化表征hi∈Rd和hj∈Rd，即 将InfoNCE损失和最近邻一致性损失相结合作为最终损失来优化模型，其中，最终损失为： L＝Lq+λLncc 其中，λ表示一个可调系数； 其中，InfoNCE损失为： 其中，τ表示温度超参数；c+表示hi的类别对应的质心表征；K表示聚类类别的总和； 其中，最近邻一致性损失为： 其中，qθ表示在线网络的预测器；SCNN表示相同类别最近邻采样器；hi表示在线网络输出的归一化表征，||||2表示L2范数，Hj＝{hj∣h1,h2,…,hN}∈RN×d表示目标网络输出的归一化表征矩阵，hj表示目标网络输出的归一化表征，N表示批量的大小，d表示表征的维度。

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中国石油大学(华东)，其通讯地址为：266580 山东省青岛市黄岛区长江西路66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。