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！

龙图腾网获悉江苏大学申请的专利一种新的实车场景下的车路协同重识别模型、数据集及模型训练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：CN115620245B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202211318210.6，技术领域涉及：G06V20/54；该发明授权一种新的实车场景下的车路协同重识别模型、数据集及模型训练方法是由王海;牛亚晴;蔡英凤;陈龙;李祎承;刘擎超设计研发完成，并于2022-10-26向国家知识产权局提交的专利申请。

本一种新的实车场景下的车路协同重识别模型、数据集及模型训练方法在说明书摘要公布了：本发明公开了一种新的实车场景下的车路协同重识别模型、数据集及模型训练方法，以实车场景下的车路协同DAID‑V2X数据集为基础，本发明建立了一种新的实车场景下的车路协同的车辆重识别数据集—DAIR‑V2XReID。为了解决车辆重识别问题，本发明设计了一个跨镜头特征聚合网络模型，解决了跨镜头场景下车辆视角变换大等问题，通过相机嵌入模块、跨阶段特征融合模块、多方向注意力模块的合作，带来了更好的车辆特征匹配效果。此外，为了证明本发明模型的性能，将DAIR‑V2XReID数据集放到跨镜头特征聚合网络中进行实验，性能达到了Top。同时，为了验证模型的泛化性，还在VeRi776数据集上进行了实验，同样取得了很好的精度。

本发明授权一种新的实车场景下的车路协同重识别模型、数据集及模型训练方法在权利要求书中公布了：1.一种新的实车场景下的车路协同重识别模型，其特征在于，包括：相机嵌入模块、跨阶段特征融合模块以及多方向注意力模块； 所述相机嵌入模块是为了对不同相机下的视角问题，利用数据集中自带的相机标签，将相机信息嵌入到骨干网中，实现了不同相机的简单分组； 所述跨阶段特征融合模块是用于防止高阶语义局部信息的泄露，将高阶语义与低阶语义融合，实现了背景和车辆的区分； 所述多方向注意力模块进行空间位置上的注意力特征获取，进一步细化，用于最终的重识别任务； 所述相机嵌入模块：假设有N个相机，记为，使用随机生成序列进行模块初 始化，初始化后得到相机嵌入为，其中，H、W分别表示当前通道下 所对应图片的高宽； 对于某一相机所拍照片，其对应的相机嵌入特征可表示为，将相机嵌入特 征输入到Backbone中，得到表达式为 其中是Backbone中的一个低阶特征，是平衡相机嵌入模块的超参数； 所述跨阶段特征融合模块：获取低阶语义和高阶语义两个特征，将它们进行融合 实现最终的特征提取，具体融合过程： 首先将两种特征映射到同一空间中，随后将其进行融合；对于低阶语义，先将高度、宽 度两个维度相乘，通过线性变换改变相乘之后的维度，记为；高阶语义用1×1卷积进行 通道降维，记为，获得和低阶语义相同通道数，将两个向量拼接连成一个整体，定义为 其中C代表串联操作； 在拼接完成之后，将通过1×1卷积再次进行通道变换，使其具有相同的通道数， 得到，随后，再将与高阶语义相加，得到，完成特征融合： ； 所述多方向注意力模块：将全局池化层进行分解，获得沿着水平方向、竖直方向的位置编码以及整体特征的全局编码；然后，在水平、垂直以及偏差方向上对空间信息进行编码，表达式为： 其中，为CFF的输出特征； 将三种编码分别沿着水平、竖直以及信息偏差量三个方向进行特征聚合，得到三个感知特征图，使得特征可以沿着各自的注意力方向进行精确的空间信息编码，实现三维模型位置信息点的获取； 在完成空间信息编码后，使用注意力机制以实现对象特征在通道维度上的聚集；首先，为了降低模型复杂度，将特征进行降维，以获得更具有区别性的通道，具体地， 先将空间编码特征进行拼接以得到一个多特征融合的表征向量，随后使用一组的 卷积以实现标准向量的降维，计算过程如下所示： 其中，式中是一个串联操作，代表分别沿着h、w、I空间维度方向进行串联，为中间特征图，r是控制通道大小的压缩比，为了减少计算量，选用较小的 压缩比r来减少通道数，为此，r=32； 随后，该模块沿着得到的空间维度方向将分割成三个单独的张量、和，利用三个1×1卷积将其分别变换为与输入通道数相同的张 量，使三个特征的通道之间相互关联，其公式如下所示： 其中，表示sigmoid函数， 最后，为了充分利用特征中添加的空间编码，使最终特征具有更正确的定位，获得注意 力特征定位，将三个张量进行融合得到输出，完成最终的特征提取：

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江苏大学，其通讯地址为：212013 江苏省镇江市京口区学府路301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。