買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉安徽大學(xué)申請的專利一種多尺度批量特征丟棄網(wǎng)絡(luò)的行人重識別方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114694170B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210091784.8，技術(shù)領(lǐng)域涉及：G06V40/10；該發(fā)明授權(quán)一種多尺度批量特征丟棄網(wǎng)絡(luò)的行人重識別方法是由張德祥;袁培成;尋麗娜;張晶晶設(shè)計研發(fā)完成，并于2022-01-26向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種多尺度批量特征丟棄網(wǎng)絡(luò)的行人重識別方法在說明書摘要公布了：本發(fā)明公開了一種多尺度批量特征丟棄網(wǎng)絡(luò)的行人重識別方法，涉及行人識別技術(shù)領(lǐng)域，具體包括如下步驟：S1、利用IBN?Net50?a為基礎(chǔ)骨干網(wǎng)絡(luò)提取特征；S2、對最后兩層卷積層融合批量特征丟棄方法；S3、拼接不同維度的特征，能夠包含更多淺層、深層的有用信息，IBN包括IN和BN，IN提取的魯棒特征是不隨一些外觀變化而變化的，如顏色、風(fēng)格、虛擬真實，BN則是保留與內(nèi)容相關(guān)的信息，本發(fā)明以IBN?Net50?a為骨干網(wǎng)的改進的網(wǎng)絡(luò)模型，對最后兩層卷積層融合批量特征丟棄方法，以增強局部區(qū)域的專注特征學(xué)習(xí)。采取多尺度特征融合策略，對不同的分支輸出的特征圖采用不同的池化，提升網(wǎng)絡(luò)的魯棒性、學(xué)習(xí)效率以及識別率。

本發(fā)明授權(quán)一種多尺度批量特征丟棄網(wǎng)絡(luò)的行人重識別方法在權(quán)利要求書中公布了：1.一種多尺度批量特征丟棄網(wǎng)絡(luò)的行人重識別方法，其特征在于：具體包括如下步驟： S1、利用IBN-Net50-a為基礎(chǔ)骨干網(wǎng)絡(luò)提取特征； S2、對最后兩層卷積層融合批量特征丟棄方法； S3、拼接不同維度的特征，能夠包含更多淺層、深層的有用信息； 在步驟S1中，IBN包括IN和BN，IN提取的魯棒特征是不隨顏色、風(fēng)格、虛擬或真實的外觀變化而變化的，BN則是保留與內(nèi)容相關(guān)的信息； 在步驟S1中，IBN-Net50-a只在ResNet50前面3個Group中加入IN，三個Group為conv2_x～conv_4-x，其他Group不變； 在步驟S2中，給定基礎(chǔ)骨干網(wǎng)絡(luò)從一批輸入圖像計算出的特征圖，批量特征丟棄層隨機丟棄相同的特征圖區(qū)域，丟棄區(qū)域內(nèi)的所有單位均為零； 在步驟S2中，以IBN-Net50-a為基礎(chǔ)骨干網(wǎng)絡(luò)，對最后兩層卷積層融合批量特征丟棄方法，以增強局部區(qū)域的專注特征學(xué)習(xí)； 對融合批量特征丟棄方法采用全局最大池化，對其他采用全局平均池化，分別采用卷積降維處理，提高網(wǎng)絡(luò)的學(xué)習(xí)效率，改進后的行人重識別網(wǎng)絡(luò)結(jié)構(gòu)有骨干網(wǎng)絡(luò)、卷積層、FD模塊、池化層以及全連接層； IBN-Net50-a整體網(wǎng)絡(luò)用于： 1負責(zé)從模型不同深度提取不同尺度的特征圖，分別記為f1、f2和f3，f1的尺度為48×16×512，f2的尺度為24×8×1024，最后一個卷積的步長設(shè)為1，f3的尺度為24×8×2048； 2對提取到的特征圖進行處理，分為4個部分，對f2、f3分別融合批量特征丟棄方法，采用全局最大池化層得到f2的特征向量維數(shù)為1024，f3的特征向量維數(shù)為2048，強迫網(wǎng)絡(luò)獲得局部細節(jié)特征，對f3不做其他處理，采用全局平均池化層得到f3的特征向量維數(shù)為2048，最后卷積核為1×1的進行降維，其維數(shù)進一步減少到512，最后歸一化特征進行拼接，以獲得最后的特征包含不同層次信息； 3對處理后的特征向量進行分類和度量學(xué)習(xí)，采用標(biāo)簽平滑損失和三元組損失的聯(lián)合損失函數(shù)進行，不同尺度特征圖池化層之后的特征用三元組損失函數(shù)，最后全連接層用標(biāo)簽平滑損失函數(shù)，測試推理時，則將所有的輸出特征拼接起來，然后通過計算歐式距離的方式進行排序； 行人重識別任務(wù)中，三元組損失優(yōu)化過程為針對目標(biāo)樣本和正樣本以及負樣本之間的距離，使得相同行人類內(nèi)距離更近，不同行人類間距離更遠； 一個三元組被描述為a，p，n,則三元組損失的思想用歐氏距離形式化表示為式1,其中，P為行人ID數(shù)，K為每個行人圖片數(shù)量，margin表示一個強制間隔； 交叉熵損失函數(shù)是分類任務(wù)常用的損失函數(shù)，如式2所示，其中N為數(shù)據(jù)集行人ID數(shù)，n是行人標(biāo)簽，pi是網(wǎng)絡(luò)預(yù)測該行人屬于標(biāo)簽i行人的概率； 標(biāo)簽平滑損失函數(shù)，如式3所示，ε為錯誤率，則1-ε為真實標(biāo)簽，設(shè)置ε＝0.1； 全連接層用標(biāo)簽平滑函數(shù)優(yōu)化，如式4所示：

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人安徽大學(xué)，其通訊地址為：230601 安徽省合肥市九龍路安徽大學(xué)電氣工程與自動化學(xué)院；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。