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(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜重慶大學(xué)申請的專利一種基于深度學(xué)習(xí)的跨域行人再識別方法獲國家發(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：CN114882531B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-01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：202210554612.X，技術(shù)領(lǐng)域涉及：G06V40/10；該發(fā)明授權(quán)一種基于深度學(xué)習(xí)的跨域行人再識別方法是由葛永新;張俊銀;華博譽(yù);徐玲;黃晟;洪明堅(jiān);王洪星;張小洪;楊丹設(shè)計(jì)研發(fā)完成，并于2022-05-19向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于深度學(xué)習(xí)的跨域行人再識別方法在說明書摘要公布了：本發(fā)明涉及一種基于深度學(xué)習(xí)的跨域行人再識別方法，包括如下步驟：選用公開數(shù)據(jù)集作為源域和目標(biāo)域；選用ResNet?50模型M并進(jìn)行初始化其參數(shù)得到M′；將源域和目標(biāo)域作為初始化模型M′的輸入并計(jì)算相應(yīng)損失對模型M′進(jìn)行訓(xùn)練，達(dá)到最大訓(xùn)練次數(shù)后停止訓(xùn)練，得到訓(xùn)練好的模型M″；將待預(yù)測行人圖像輸入訓(xùn)練好的模型M″中，得到行人的檢索結(jié)果。使用本發(fā)明方法可以更準(zhǔn)確的檢測識別特定行人。

本發(fā)明授權(quán)一種基于深度學(xué)習(xí)的跨域行人再識別方法在權(quán)利要求書中公布了：1.一種基于深度學(xué)習(xí)的跨域行人再識別方法，其特征在于：包括如下步驟：S100：選用公開數(shù)據(jù)集A和B，將數(shù)據(jù)集A作為源域Ds，公式如下： 其中，表示第i個(gè)源域樣本，表示第i個(gè)源域樣本對應(yīng)的真實(shí)標(biāo)簽，ns表示源域樣本總數(shù)；選取數(shù)據(jù)集B中的部分?jǐn)?shù)據(jù)作為目標(biāo)域訓(xùn)練集DT，DT的表達(dá)式如下： 其中，表示第j個(gè)目標(biāo)域樣本，nt表示目標(biāo)域樣本總數(shù)；S200：選用ResNet-50模型M，模型M包括兩個(gè)模塊，模塊一為在線特征編碼器f·|θt，θt為模塊一的相關(guān)參數(shù)，模塊二為動(dòng)量特征編碼器為模塊二的相關(guān)參數(shù)；使用數(shù)據(jù)集ImageNet對模型M進(jìn)行參數(shù)初始化,得到初始化模型M′；S300：利用損失函數(shù)計(jì)算初始化模型M′的損失，初始化模型M′的損失函數(shù)如下：S310：使用動(dòng)量特征編碼器對DT中的數(shù)據(jù)進(jìn)行特征提取并保存到記憶特征庫N中，然后利用DBSCAN聚類算法對N中所有的特征進(jìn)行聚類并生成與一一對應(yīng)的偽標(biāo)簽S320：使用時(shí)序域關(guān)系策略計(jì)算源域每次迭代的訓(xùn)練權(quán)重wdi，預(yù)設(shè)源域每次迭代的訓(xùn)練權(quán)重最大為t1，最小為t2，其中t1t2，計(jì)算表達(dá)式如下： wdi＝1-si×t1+si×t2其中，符號％表示取余操作，i表示第i次訓(xùn)練，e表示最大訓(xùn)練次數(shù)，wdi表示源域作用在第i次迭代訓(xùn)練時(shí)的訓(xùn)練權(quán)重，si表示將t1和t2等間隔分后每份的長度；S330：使用排名引導(dǎo)選擇策略計(jì)算每個(gè)源域樣本的訓(xùn)練權(quán)重具體步驟如下：S331：從源域Ds隨機(jī)選取一個(gè)源域樣本1≤i≤ns，并利用線特征編碼器f·|θt對進(jìn)行提取特征，然后分別利用目標(biāo)域的類別分類器和源域的類別分類器對進(jìn)行分類，分別計(jì)算在目標(biāo)域上分類的概率分布和在源域上分類的概率分布計(jì)算表達(dá)式如下： 其中，表示在目標(biāo)域上分類的概率分布，Ct表示目標(biāo)域上的類別分類器，cp表示目標(biāo)域上偽標(biāo)簽的類別數(shù)量；代表樣本在源域上分類的概率分布，cs為源域上真實(shí)標(biāo)簽的類別數(shù)量，Cs表示目標(biāo)域上的類別分類器；S332：計(jì)算與目標(biāo)域的相似性分?jǐn)?shù)Si，表達(dá)式如下： 其中，cp表示目標(biāo)域上偽標(biāo)簽的類別數(shù)量；S333：計(jì)算所有源域樣本與目標(biāo)域的相似性分?jǐn)?shù)，組成相似性分?jǐn)?shù)集合然后將所有相似性分?jǐn)?shù)進(jìn)行降序排列，取靠前的k％的相似性分?jǐn)?shù)對應(yīng)的源域樣本作為可靠性樣本集合δs，表達(dá)式如下： 其中，τs表示第k％個(gè)源域樣本的相似性分?jǐn)?shù)；S334：定義在源域上的最大類別概率和第二大類別概率分別為和計(jì)算在源域上的不確定性Ui，表達(dá)式如下： S335：計(jì)算所有源域樣本不確定性值，組成不確定性值集合然后將所有不確定性值進(jìn)行升序排列，取靠前的k％的不確定性值對應(yīng)的源域樣本作為不確定性樣本集合δu，表達(dá)式如下： S336：結(jié)合公式6和公式8得到每個(gè)源域樣本的訓(xùn)練權(quán)重表達(dá)式如下： S340：依據(jù)S336得到的源域樣本訓(xùn)練權(quán)重，計(jì)算源域的交叉熵?fù)p失具體表達(dá)式如下： 其中，表示源域樣本屬于類別的概率；S350：依據(jù)S336得到的源域樣本訓(xùn)練權(quán)重,計(jì)算源域的三元組損失具體步驟如下：S351：計(jì)算第i個(gè)以為錨點(diǎn)的三元組損失的權(quán)重為計(jì)算表達(dá)式如下： 其中，表示與距離最遠(yuǎn)的源域正樣本，表示與距離最近的源域負(fù)樣本；S352：計(jì)算所有源域樣本的三元組損失后，可以得到源域的三元組損失具體表達(dá)式如下： 其中，和分別表示源域樣本與最遠(yuǎn)源域正樣本和最近源域負(fù)樣本之間的距離，m表示三元組的間隔大小；S360：計(jì)算目標(biāo)域的交叉熵?fù)p失和三元組損失具體表達(dá)式如下： 其中，表示目標(biāo)域樣本屬于類別的概率。和分別表示目標(biāo)域樣本與最遠(yuǎn)目標(biāo)域正樣本和最近目標(biāo)域負(fù)樣本間的距離，m表示三元組的間隔大小；S370：根據(jù)公式10、公式12、公式13和公式14可得到初始化模型M’的最終損失函數(shù)Ltotal，表達(dá)式如下： 其中，表示軟交叉熵?fù)p失權(quán)重，表示軟三元組損失權(quán)重；S400：將源域和目標(biāo)域作為初始化模型M′的輸入對模型M′進(jìn)行訓(xùn)練，根據(jù)S300中計(jì)算的損失更新M′中的參數(shù)，當(dāng)達(dá)到最大訓(xùn)練次數(shù)時(shí)停止訓(xùn)練，得到訓(xùn)練好的模型M″；S500：將待預(yù)測行人圖像輸入訓(xùn)練好的模型M″中，得到行人的檢索結(jié)果。

如需購買、轉(zhuǎn)讓、實(shí)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)人重慶大學(xué)，其通訊地址為：400044 重慶市沙坪壩區(qū)沙正街174號；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)”。