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！

龙图腾网获悉山东建筑大学申请的专利一种基于部件引导融合变换网络的非监督行人检索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：CN120723938B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202511172541.7，技术领域涉及：G06F16/783；该发明授权一种基于部件引导融合变换网络的非监督行人检索方法是由翟锐;蒋虎;刘洋;蒋金;毕京学设计研发完成，并于2025-08-21向国家知识产权局提交的专利申请。

本一种基于部件引导融合变换网络的非监督行人检索方法在说明书摘要公布了：本发明涉及计算机视觉技术领域，具体公开了一种基于部件引导融合变换网络的非监督行人检索方法，先通过部件引导融合变换网络提取行人的全局与部件特征；采用部件引导融合策略生成部件‑全局融合特征用于部件引导对比学习；对部件特征进行平均聚合得到部件聚合特征；基于全局特征和部件聚合特征经聚类算法得到对应的聚类中心，构建双流动态内存库；再构建部件引导正则化模块，以动态加权系数约束全局特征与部件聚合特征之间的一致性；最后通过总损失计算模块对部件引导融合变换网络及部件引导正则化模块的参数进行迭代优化。本发明利用无监督学习优化特征分布，降低了对标注数据的依赖，提升了行人特征表征能力和模型泛化性能。

本发明授权一种基于部件引导融合变换网络的非监督行人检索方法在权利要求书中公布了：1.一种基于部件引导融合变换网络的非监督行人检索方法，其特征在于，包括以下步骤： S1、基于预训练的视觉Transformer模型构建部件引导融合变换网络提取行人的全局特征和部件特征； S2、采用部件引导融合策略生成部件-全局融合特征，用于部件引导对比学习；对行人的部件特征进行平均聚合处理，得到部件聚合特征； S3、基于全局特征和部件聚合特征，利用聚类算法得到对应的聚类中心，构建双流动态内存库； S4、构建部件引导正则化模块，通过引入动态加权系数约束全局特征与部件聚合特征之间的一致性； S5、构建总损失计算模块计算总损失值，基于总损失值对部件引导融合变换网络及部件引导正则化模块的参数进行迭代优化； S2包括以下步骤： S21、采用部件引导融合策略融合行人的全局特征和部件特征，生成部件-全局融合特征，全局特征和部件特征的融合方式如下： ； 其中，是耦合因子，表示第个行人图像的第个部件-全局融合特征，表示第个行人图像的第个部件特征，表示部件的数量； 部件引导对比学习中部件引导对比损失为： ； 其中，、和分别表示正样本部件间、负样本部件间以及弱正样本部件间的余弦相似性；为平滑因子，定义为： ； 其中，，，且，表示取绝对值； S22、对行人的部件特征进行平均聚合处理，得到部件聚合特征，其表达式为： ； 其中，表示第个行人图像的第个部件特征，表示部件的数量； S21中，对于行人图像中每一个部件对应的部件-全局融合特征，正样本部件定义为相同身份行人图像的同一部件，负样本部件定义为不同身份行人图像的部件，弱正样本部件定义为同一行人图像的其他部件以及相同身份行人图像的非对应部件； S3包括： 利用聚类算法分别对全局特征和部件聚合特征进行聚类，得到对应的聚类中心构建双流动态内存库，对双流动态内存库中存储的特征进行随机初始化； 通过以下方式对双流动态内存库中存储的特征进行动量更新： ； 其中，为动量系数，和分别表示全局特征和部件聚合特征，和分别是利用全局特征和部件聚合特征聚类得到的第个聚类中心，和分别表示全局特征和部件聚合特征对应的同一身份下的样本集，表示集合中样本的数量； S3还包括： 利用批量数据与双流动态内存库中的聚类中心进行无监督特征学习，无监督特征学习中全局损失和部件损失的形式表达式如下： ； ； 其中，和表示全局特征与双流动态内存库中的聚类中心之间的正对相似性和负对相似性，和表示部件聚合特征与双流动态内存库中的聚类中心之间的正对相似性和负对相似性，为温度系数，是批量数据的数量大小。

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山东建筑大学，其通讯地址为：250101 山东省济南市历城区凤鸣路1000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。