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！

龙图腾网获悉暨南大学申请的专利基于自引导特征挖掘网络的车辆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：CN116704451B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202310638550.5，技术领域涉及：G06V20/54；该发明授权基于自引导特征挖掘网络的车辆重识别方法是由邓玉辉;李章伟设计研发完成，并于2023-06-01向国家知识产权局提交的专利申请。

本基于自引导特征挖掘网络的车辆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引导特征挖掘网络的车辆重识别方法，步骤如下：构造自引导特征挖掘网络；训练自引导特征挖掘网络，自引导特征挖掘网络中主干网络部分使用ImageNet‑1K预训练的ViT进行参数初始化；使用已训练的自引导特征挖掘网络进行车辆重识别。本发明与传统的车辆重识别方法相比，自引导特征挖掘网络引入噪音补丁过滤分支消除图像背景对特征提取的干扰；自引导特征挖掘网络引入显著特征提取分支挖掘图像细粒度特征；消除背景对特征提取的干扰和挖掘细粒度特征能够提取出更具有鉴别性的车辆特征，从而提高了车辆重识别任务的准确率，并且不依赖额外的模型和标签信息如背景、车灯、车窗标注等。

本发明授权基于自引导特征挖掘网络的车辆重识别方法在权利要求书中公布了：1.一种基于自引导特征挖掘网络的车辆重识别方法，其特征在于，所述车辆重识别方法包括以下步骤： S1、构造自引导特征挖掘网络，所述自引导特征挖掘网络包括主干网络和全局分支、噪音补丁过滤分支、显著特征提取分支；其中，所述噪音补丁过滤分支中从输入到输出的连接关系如下： 噪音补丁过滤分支的输入传递至第十三转换层、第十三转换层连接噪音补丁过滤层、噪音补丁过滤层分别连接第一噪音补丁过滤特征和第一全局平均池、第一噪音补丁过滤特征分别连接第一三元组损失函数层和第一BNNECK层、第一BNNECK层连接第一交叉熵损失函数层、第一全局平均池连接第二噪音补丁过滤特征、第二噪音补丁过滤特征分别连接第二三元组损失函数层和第二BNNECK层、第二BNNECK层连接第二交叉熵损失函数层、第一三元组损失函数层与第一交叉熵损失函数层的相加之和同第二三元组损失函数层与第二交叉熵损失函数层的相加之和再相加作为噪音补丁过滤分支的输出； 所述噪音补丁过滤层中，由第十三转换层中Attn层Attention13的多头自注意力机制计算自注意力头的得分矩阵A∈RN+1*N+1如下： A＝[a0；a1；a2；...ai...；aN] 其中，i＝0、1、2...N为主干网络图像位置编码嵌入层嵌入的位置编码，位置编码0对应主干网络Cls嵌入层嵌入的特征Cls的位置编码，位置编码i＝1、2...N对应主干网络图像分块层第i个图像补丁的位置编码，ai表示位置编码为i的图像补丁分别与位置编码为0的特征Cls、位置编码为1至N的N个图像补丁的注意力得分构成的N+1维度的向量，表达式如下： ai＝[ai,0；ai,1；ai,2；..ai,j....；ai,N] 其中，j＝0、1、2...N，ai,j表示位置编码为i的图像补丁与位置编码为j的图像补丁的注意力得分值； 第十三转换层中Attn层Attention13的多头自注意力共有K个特征注意力头，对于K个特征注意力头中的任意一个注意力头都能计算得到一个得分矩阵A，对所有特征注意力头的得分矩阵求平均得到平均得分矩阵Aavg，平均得分矩阵Aavg与得分矩阵A表达式相同，区别在于矩阵中的值不一样； 根据平均得分矩阵Aavg中a0得到特征Cls与位置编码1、2...N的图像补丁的注意力得分，对N个平均注意力得分从大到小进行排序，选择平均注意力得分较大的M个位置编码，其中，M为小于N的正整数； 将位置编码为0的特征Cls输入到第一噪音补丁过滤特征，将平均注意力得分较大的M个位置编码对应的图像补丁输入到第一全局平均池； S2、输入车辆图像数据集，对自引导特征挖掘网络进行训练； S3、采用已训练的自引导特征挖掘网络进行车辆重识别。

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暨南大学，其通讯地址为：510632 广东省广州市天河区黄埔大道西601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。