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！

龙图腾网获悉长沙理工大学申请的专利全局与显著性细粒度局部特征融合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：CN116229516B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202310219601.0，技术领域涉及：G06V40/10；该发明授权全局与显著性细粒度局部特征融合的行人重识别方法是由周书仁;张萍萍;资帅;朱俣键设计研发完成，并于2023-03-09向国家知识产权局提交的专利申请。

本全局与显著性细粒度局部特征融合的行人重识别方法在说明书摘要公布了：本发明对行人不对齐及局部区域细粒度特征难以捕获的问题进行考虑，引入全局与显著性细粒度局部特征融合的行人重识别方法。对图像的特征进行更高效的提取与处理，提高了模型的鲁棒性。加入注意力机制使得局部特征更具显著性。很好地解决了细粒度局部特征难以捕获的问题。然后使用了GeMpooling自适应地调整池化的程度，提高深度学习模型的泛化能力和性能，引入BN层加快网络收敛速度。最后结合ID损失和三元组损失，进行反馈迭代，使模型的最终损失达到最小值。构建了一种新的有效的用于行人重识别的方法，为实际应用中的行人重识别提供更为高效的框架。

本发明授权全局与显著性细粒度局部特征融合的行人重识别方法在权利要求书中公布了：1.全局与显著性细粒度局部特征融合的行人重识别方法，其特征在于，所述方法由计算机执行，包括以下步骤： S1、构建网络框架，该网络由全局分支与局部分支组成； S2、将给定行人图像输入到全局分支中提取全局特征，S2的具体实现过程如下： S201、特征提取部分所用的主干网络是具有四个阶段的Resnet50，ResNet50架构有四个残差块，依次经过，产生的特征图的通道大小分为为256、512、1024和2048，我们依次设定为第一、二、三和四阶段，第4阶段最后阶段的卷积步长由2变为1，以保留更多图像细节，Resnet50在很多经典的网络架构中出现，已经得到广泛的认同和证明，故用Resnet50来对行人图像进行特征提取； S202、给定人物图像，我们首先通过骨干网络提取特征图X∈RC×H×W，其中C表示通道维度，H表示高度，W表示宽度，我们采用多阶段式提取特征，逐阶段增强特征表示，最后一个阶段结束后，使用广义平均池化，再加入一个批量归一化操作，加快网络的收敛，该分支主要是为了提取行人的全局特征，未加入注意力模块，主要是让网络更加的轻量； S3、将特征输入到局部分支中提取局部特征，S3的具体实现过程如下： S301、该分支主要获取图像的局部信息； S302、我们在骨干网的第四阶段后引入局部分支，一般从图像中提取的局部特征可以保留大量的局部信息，但它们对区域的细粒度信息关注不够，导致具有鉴别性的细粒度局部信息被忽略，影响最后的特征表示和人机识别的性能，根据这个问题，我们引入显著性细粒度局部分支，更好的提取局部信息，我们对输入的特征进行一个降维处理，首先卷积，使得特征变成512维，然后经过一个BN层，进行批量归一化操作，最后经过ReLU进行激活，经过这个降维处理得到一个512维的特征向量，然后采用水平切割方法提取行人更细粒度的局部特征，我们将降维处理得到的512维特征划分为四个相同大小的空间水平条纹，每个部分的维度是C×H4×W，我们将其记为部分级特征g1、g2、g3、g4，将列向量分别经过注意力机制，对每个部分进行关注，得到显著性的细粒度局部信息，以区分相似的局部信息，然后将每个部分级张量经过GeM平均为一个向量，将平均后的张量进行连接，得到一个2048维的特征，然后进行全连接，仅产生一个ID预测损失，与传统的PCB方法不同，PCB采用多个ID预测损失，每个部分都有独立的ID预测损失，但使用多个ID损失可能会导致对具有某些部分级特征的行人产生错误预测； S4、将注意力机制引入局部分支； S5、所得到的特征经过GeMPooling，然后再经过BN层； S6、最后将得到的特征计算ID损失和三元组损失。

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长沙理工大学，其通讯地址为：410114 湖南省长沙市天心区万家丽南路二段960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。