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！

龙图腾网获悉中国矿业大学申请的专利基于自适应个性化联邦学习的行人重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：CN115565206B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202211404940.8，技术领域涉及：G06V40/10；该发明授权基于自适应个性化联邦学习的行人重识别方法是由赵佳琦;付傲;周勇;阿卜杜勒莫塔莱布·埃尔·萨迪克设计研发完成，并于2022-11-10向国家知识产权局提交的专利申请。

本基于自适应个性化联邦学习的行人重识别方法在说明书摘要公布了：本发明公开了一种基于自适应个性化联邦学习的行人重识别方法，属于图像处理技术领域。具体步骤如下：不同区域行人重识别数据预处理；构造不同区域的训练数据集；构建个性化本地模型；协同训练本地模型和全局模型；构造不同区域的测试数据集；根据定制完成的个性化本地模型进行推理；输出行人重识别的结果。本发明解决现有方法难以针对监控摄像头分布广和采集的图像数据更新快的特点进行快速集中学习的问题，步骤简单，处理效率高，针对联邦学习场景下行人重识别准确率高。

本发明授权基于自适应个性化联邦学习的行人重识别方法在权利要求书中公布了：1.一种基于自适应个性化联邦学习的行人重识别方法，其特征在于：利用行人重识别系统，行人重识别系统包括能够进行联邦模型参数聚合的服务器，服务器分别连接多个具有训练能力并执行不同数据集训练的客户端节点，服务器向不同的客户端节点分配训练任务，客户端节点将权重回传到服务器； 针对监控摄像头分布广和采集的图像数据更新快的特点进行快速集中学习，对不同区域行人重识别数据预处理； 构建基于自适应个性化联邦学习的行人重识别模型，行人重识别模型包括本地个性化模型、全局模型； 生成不同区域具有各自特点的训练数据集，训练基于自适应个性化联邦学习的行人重识别模型： 获取并构造不同区域的测试数据集；对不同客户端节点，将测试样本分别输入到不同客户端节点内的个性化本地模型中，由全局聚合模块和本地个性化模块协同进行推理，得到特征向量； 将查询图像得到的特征向量和图像库中的图像得到的特征向量计算余弦距离，将排名靠前的结果作为最终结果输出，完成行人重识别； 具体步骤如下： S1、构建基于自适应个性化联邦学习的行人重识别模型，行人重识别模型包括多个本地个性化模型和全局模型，其中，每个客户端节点内都设有一个本地个性化模型，全局模型只设置在服务器中；本地个性化模型包括两个子模块，分别为全局聚合模块和本地个性化模块，两个子模块结构同属于Osnet网络，初始化一个维度等于输出特征图的张量，用于连接这两个子模块；全局模型的结构和本地个性化模型的全局聚合模块保持一致同样使用Osnet网络，参数由本地个性化模型的全局聚合模块通过个性化权重聚合得到； S2、针对每个客户端构造不同区域行人信息的训练数据集：使用多个公开的行人重识别数据集来模拟数据集，按照不同数据集的官方文档划分训练集和测试集，将行人重识别数据集中每张图片调整成统一的大小，进行数据增强；为每个客户端节点构造数据加载器，用于给客户端的地个性化模型提供数据进行训练； S3、每个客户端在自己的数据集上训练基于自适应个性化联邦学习的行人重识别模型，使用客户端节点的本地训练数据集对该客户端节点自己的全局聚合模块进行训练，然后将训练完成的全局聚合模块发送到服务器端使用自适应聚合权重进行融合，获得全局模型；本地个性化模块使用本地数据集仅进行训练但不进行全局聚合；将聚合后的全局模型发送到每一个不同区域的客户端，将聚合后的全局模型替代本地个性化模型的全局聚合模块，然后使用上面训练完成的本地个性化模块对全局聚合模块进行修正，防止全局聚合模块偏离本地数据特征空间过大，迭代训练若干轮之后获得训练完毕的本地个性化模型，最后使用S1中的可学习的权重参数将训练完毕的本地个性化模型的全局聚合模块和本地个性化模块两者进行连接融合，然后利用本地训练数据集对两者进行协同训练，得到最终的本地个性化模型； S4、重复步骤S2获取不同区域测试样本，从而使所有客户端节点生成不同区域的数据集： S5、将不同区域的测试样本分别输入到不同区域的客户端节点的专属本地个性化模型，由全局聚合模块和本地模块共同推理得到测试样本特征； S6、将得到的样本特征和数据集官方划分的图像库中的特征进行比较和排序，选出相似度最高的图像库中的图像作为最终测试结果。

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矿业大学，其通讯地址为：221116 江苏省徐州市大学路1号中国矿业大学；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”。