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！

龙图腾网获悉河北工业大学申请的专利一种多视图的行人属性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：CN116434010B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202310423403.6，技术领域涉及：G06V10/774；该发明授权一种多视图的行人属性识别方法是由于洋;刘龙龙;朱叶;郝小可;郭迎春;师硕;阎刚;吕华设计研发完成，并于2023-04-20向国家知识产权局提交的专利申请。

本一种多视图的行人属性识别方法在说明书摘要公布了：本发明为一种多视图的行人属性识别方法，从语义相关性、区域相关性以及语义区域之间的相关性三个视图识别属性，使用语义图卷积学习语义相关性，使用视觉图卷积学习区域相关性，联合语义关联图和视觉关联图构建合成图，通过合成图图卷积来学习语义与区域相关性，利用融合两图特征信息的嵌入图间边预测属性。对于损失函数而言，传统的方法都对所有数据集采用相同的加权策略，导致在某个数据集上的权重过重和过轻，本方法对不同的数据集采用不同的损失函数加权方式，对不同的数据集有效地缓解属性不平衡问题。

本发明授权一种多视图的行人属性识别方法在权利要求书中公布了：1.一种多视图的行人属性识别方法，该识别方法包括以下内容： 对公开数据集进行属性分组，利用公开数据集行人图片通过ResNet‑101网络的前三层处理后进入第四层分成两个分支，两个分支分别获得语义特征图和视觉特征图，前三层共享权重，第四层单独训练权重不共享；经过池化后得到特征向量，经过分类器进行语义分类预测，并使用语义约束损失约束； 同时经过多个全连接层得到属性特定的特征向量，每个属性特定的特征向量为语义图的一个节点，所有的属性特定的特征向量构成语义图，语义图邻接矩阵根据公开数据集的先验知识被构建，语义图和语义图邻接矩阵输入语义图卷积GCN中，学习语义的相关性，并得到语义关联图，语义关联图经过分类器进行语义图预测，并使用语义图约束损失约束； 通过软分配策略得到多个视觉聚类特征，每个视觉聚类特征对应每个属性组的区域特征，多个视觉聚类特征构成视觉图，根据聚类之间的相似度和拓扑距离得到视觉图邻接矩阵，视觉图和视觉图邻接矩阵输入视觉图卷积GCN中，学习属性组对应的区域之间的相关性，得到视觉关联图，视觉关联图经过分类器进行视觉图预测，并用视觉图约束损失约束； 联合语义关联图与视觉关联图构建合成图，合成图中通过语义关联图和视觉关联图之间的图间边相互嵌入，指导对方的学习，构建语义与区域相关性； 语义关联图的所有节点与视觉关联图的所有节点相连，形成图间边，图间边的特征由两端节点生成；合成图由视觉关联图、语义关联图和图间边组成； 在合成图的构建过程中，利用语义关联图与视觉关联图经过融合操作、全连接层获得图间边；语义关联图的更新分为图内更新和图间更新，其中图间更新由图间边引导；语义关联图经过一个语义图卷积进行图内更新； 视觉关联图的更新分为图内更新和图间更新，视觉关联图经过一个视觉图卷积进行图内更新； 图间更新过程是：语义关联图或视觉关联图分别与语义关联图映射矩阵或视觉关联图映射矩阵相乘，再与图间边进行融合操作，给定语义关联图权重矩阵和视觉关联图权重矩阵，将与图间边融合后的结果分别与语义关联图权重矩阵或视觉关联图权重矩阵各自进行矩阵相乘操作，完成视觉关联图和语义关联图的图间更新； 语义关联图和视觉关联图的图间更新结果再分别与语义关联图的图内更新结果、视觉关联图的图内更新结果进行融合操作，最后对融合后的结果分别经过一个全连接层后获得视觉嵌入图和语义嵌入图；视觉嵌入图、图间边和语义嵌入图再经过融合操作、一个全连接层后获得更新后的嵌入图间边； 更新后的嵌入图间边再经过嵌入图间边分类器进行嵌入图间边预测，并用合成图约束损失约束； 利用公开数据集进行训练后用于行人属性识别。

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河北工业大学，其通讯地址为：300130 天津市红桥区丁字沽光荣道8号河北工业大学东院；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。