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！

龙图腾网获悉中国地质大学(武汉);中建三局智能技术有限公司申请的专利基于混合注意解耦重识别网络的行人重识别方法及设备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：CN116524533B 。

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：202310257567.6，技术领域涉及：G06V40/10；该发明授权基于混合注意解耦重识别网络的行人重识别方法及设备是由罗大鹏;王伦;黄罗琪;程卓;方斌;杜浩文;肖菲;王菲设计研发完成，并于2023-03-16向国家知识产权局提交的专利申请。

本基于混合注意解耦重识别网络的行人重识别方法及设备在说明书摘要公布了：本发明提出了一种基于混合注意解耦重识别网络的行人重识别方法及设备，以增强领域不变的行人特征的辨别能力，从而形成可靠的类别边界和学习类内语义多样性。方法中混合注意模块的设计是为了从空间和通道的角度，以注意力权重解耦的方式加强领域不变的特征表达，这迫使网络自动利用有利于跨领域重识别的图像区域和属性线索。此外，基于增强的领域不变特征表达，提出了一种多困难样本内存学习策略，以提高目标域样本的类内多样性。本发明通过更新可靠样本内存库和多个困难样本内存库来优化特征学习过程，通过考虑同一类别内各个样本之间的关系，可以用来捕获显著的类内语义变化，同时能够对伪标签的准确性产生积极影响。

本发明授权基于混合注意解耦重识别网络的行人重识别方法及设备在权利要求书中公布了：1.一种基于混合注意解耦重识别网络的行人重识别方法，其特征在于，包括以下步骤： 构建行人重识别网络模型中的混合注意力模块，包括基于解耦的空间注意力机制和通道注意力机制； 将源域数据Ds和目标域数据Dt送入初始特征提取网络，得到初始特征f； 将初始特征送入混合注意模块，得到领域不变特征fdi和领域特定特征fds，以及领域分类损失和正交损失； 将领域不变特征fdi采用DBSCAN聚类方法对目标域样本聚类，得到伪标签用于目标域监督训练； 根据多困难样本内存学习策略，初始化多个样本内存； 将领域不变特征fdi与多个样本内存计算相似度，得到各个内存的对比损失； 通过各个内存的对比损失、领域分类损失和正交损失更新网络参数，同时根据输入查询样本，更新内存特征，用于学习样本间关系，当网络模型收敛时，训练完成，通过训练好的网络模型进行行人重识别，得到识别结果； 所述将初始特征送入混合注意模块，得到领域不变特征fdi和领域特定特征fds，以及领域分类损失和正交损失，包括： 将初始特征送入混合注意模块，首先初始特征经过解耦模块后，得到领域不变权重wi和领域特定权重ws； 根据向量正交原则，采用正交损失使得领域不变权重wi和领域特定权重ws相互正交，从而使得领域不变特征和领域特定特征相互独立，正交损失LI为： 其中和是领域不变权重wi和领域特定权重ws经过平均池化的结果，‖‖2表示L2正则化，||表示绝对值操作，I[i,j]表示位置i,j上的数值属于的数值，b表示每个小批次的样本数量，c表示通道数； 根据领域不变权重wi和领域特定权重ws得到领域不变特征fdi和领域特定特征fds，其公式为： Wi＝Edmf,Ws＝1-Wi 其中表示元素相乘，Edm为解耦模块； 利用领域特定特征fds计算领域分类损失，使得fds包含更多领域特定特征信息，领域分类损失Ldom为： Ldom＝-[DLlogP+1-DLlog1-P] P＝Edcfds 其中DL是领域标签，源域的领域标签为0，目标域的领域标签为1；Edc为领域分类模块，P为领域分类概率； 所述将领域不变特征fdi与多个样本内存计算相似度，得到各个内存的对比损失，包括： 在可靠样本内存中，通过拉进正样本之间的距离，推远负样本之间的距离，来进行对比学习，在领域内部计算对比损失，可靠样本内存中对比损失如下： 其中，表示来自源域样本的对比损失，表示来自目标域样本的对比损失，ns和nt分别表示源域和目标域的类别数，qs和qt分别表示来自源域和目标域的查询样本，c+是内存库中与查询相同标签的正原型，和表示该查询样本对应的负原型样本，τ为超参数，设置为0.05； 在困难样本内存中，采用两个困难样本内存，通过在每个困难样本内存内部计算相似度，采用与可靠样本内存一致的学习策略，得到困难样本内存中对比损失为： 其中，表示第n个困难样本内存的损失函数，q为来自目标域的查询样本，h+表示内存库中与查询样本相同的伪标签的困难正原型，hi表示该查询样本对应的负原型样本； 所述通过各个内存的对比损失、领域分类损失和正交损失更新网络参数，同时根据输入查询样本，更新内存特征，用于学习样本间关系，当网络模型收敛时，训练完成，通过训练好的网络模型进行行人重识别，得到识别结果，包括： 行人重识别网络模型的整体框架损失包括：可靠样本内存对比损失、多个困难样本内存对比损失、正交损失和领域分类损失，每个小批次中有n个源域查询和n个目标域查询总体损失函数如下： 这里和分别为可靠样本内存中的来自源域和目标域的训练损失，为来自困难样本内存的损失，n为困难样本内存的数量，LI为正交损失，Ldom为领域分类损失，μ和θ为超参数，μ被设置为0.5，θ被设置为4； 除了通过所述总体损失函数优化网络模型参数外，还通过查询样本来更新内存原型； 针对困难样本内存原型的更新，每个困难样本内存库中的原型由困难查询特征更新，这些特征在小批量中共享相同的伪标签，同时在相似度排序组合中具有较低的相似度，通过使用argsort函数对相似度从小到大进行排序，按照以下方式选择查询特征： 其中，k是每个小批量中属于同一伪标签集群的实例特征的数量，ri是可靠样本内存库中第i个查询样本的正原型，为每个小批量中属于第i个伪标签集群的实例特征中的第k个查询样本，这里和ri属于同一伪标签；用可靠样本内存库中的正原型来代表聚类中心点，计算查询特征与可靠样本内存库中的正原型之间的相似度，进而获得相似度排列组合； 困难样本内存原型更新策略为： 其中，表示第n个困难样本内存库中第i个查询的困难正原型，表示相似度排列组合index中第n个查询样本，α是动量系数； 在可靠样本内存更新过程中，使用目标域中的可靠样本来更新可靠样本内存原型，通过使用相似度排列组合来确定查询样本和可靠样本记忆库中相应的正面原型之间的相似度，识别出相似度较低的困难样本，并在随后的可靠记忆更新中进行剔除；源域的所有样本都被标记为可靠的，适合立即使用，可靠样本内存原型更新策略为： 公式中ci表示第i个查询样本的正原型样本，在源域中，表示小批量中第i个查询的实例样本的平均值；在目标域中，表示去除困难样本后第i个查询的平均值； 随着反向传播优化更新网络模型参数和内存原型更新，从而使网络获得更具辨别力的特征，同时充分学习数据类内多样性，当网络模型收敛时，训练完成，通过训练好的网络模型进行行人重识别，得到识别结果。

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地质大学(武汉);中建三局智能技术有限公司，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388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。