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！

龙图腾网恭喜中通服中睿科技有限公司申请的专利一种基于无监督域适应的车辆重识别方法及系统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：CN114550110B 。

龙图腾网通过国家知识产权局官网在2025-06-03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：202210013476.3，技术领域涉及：G06V20/54；该发明授权一种基于无监督域适应的车辆重识别方法及系统是由兰泽勇;洪嘉捷;周智恒;李燕;陈新颖;刘晓升;吴清茹;周泽南设计研发完成，并于2022-01-06向国家知识产权局提交的专利申请。

本一种基于无监督域适应的车辆重识别方法及系统在说明书摘要公布了：本发明涉及车辆识别技术领域，提出一种基于无监督域适应的车辆重识别方法及系统，其中包括：构建基于非局部注意力机制的车辆重识别网络模型和车辆目标检测模型，其中车辆重识别网络模型包括2个相同架构的网络；将源域数据集输入车辆重识别网络模型中进行有监督预训练；将停车场监控视频输入车辆目标检测模型中，得到无标注的车辆图像，组成目标域数据集；将目标域数据集输入完成有监督预训练的车辆重识别网络模型中进行无监督训练，其中车辆重识别网络模型中的2个相同架构的网络采用双重网络学习方法进行训练；从完成无监督训练的2个网络中选择性能更优的一个网络作为车辆重识别模型，将待识别的车辆图像输入车辆重识别模型中得到重识别结果。

本发明授权一种基于无监督域适应的车辆重识别方法及系统在权利要求书中公布了：1.一种基于无监督域适应的车辆重识别方法，其特征在于，包括以下步骤：S1、获取车辆基础数据集，并对基础数据集进行预处理，得到源域数据集；S2、构建基于非局部注意力机制的车辆重识别网络模型和车辆目标检测模型，其中所述车辆重识别网络模型包括2个相同架构的网络NetA和NetB；所述基于非局部注意力机制的车辆重识别网络模型包括依次连接的骨干网络模型和池化层，所述骨干网络模型包括若干卷积层和非局部注意力波动模块；所述非局部注意力波动模块包括依次连接的用于对输入的特征图采用不同的块方向波进行调制的波动单元，以及用于放大经波动单元产生的后向梯度差异的非局部注意力机制单元；S3、将所述源域数据集输入所述车辆重识别网络模型中进行有监督预训练；S4、将停车场监控视频输入所述车辆目标检测模型中，得到无标注的车辆图像，组成目标域数据集；S5、将所述目标域数据集输入完成有监督预训练的车辆重识别网络模型中进行无监督训练，其中所述车辆重识别网络模型中的2个相同架构的网络NetA和NetB采用双重网络学习方法进行训练；对车辆重识别网络模型基于双重网络互相学习方法进行无监督训练，其具体步骤包括：S5.1、所述车辆重识别网络模型中的NetA和NetB分别加载经过有监督预训练得到的参数，并将所述NetA和NetB迁移到目标域上，将目标域数据集中不同的样本分别输入所述NetA和NetB中进行迭代训练；S5.2、将所述NetA和NetB输出的识别特征分别进行K均值聚类得到硬伪标签A和硬伪标签B；S5.3、将每次迭代训练得到的网络参数进行加权平均，得到平均模型MeanNetA和MeanNetB；S5.4、将目标域数据集中的样本输入所述平均模型MeanNetA和MeanNetB中，平均模型MeanNetA和MeanNetB生成软伪标签A和软伪标签B；S5.5、利用所述硬伪标签A和软伪标签B对NetA进行有监督训练，利用所述硬伪标签B和软伪标签A对NetB进行有监督训练，根据损失函数对所述NetA和NetB分别进行优化直至参数收敛，得到完成训练的NetA和NetB；S6、从完成无监督训练的网络NetA和NetB选择性能更优的一个网络作为车辆重识别模型，将待识别的车辆图像输入所述车辆重识别模型中得到重识别结果；其中，根据所述NetA和NetB提取的特征与测试图像之间的特征距离计算相似度，并根据所述相似度衡量网络的性能；所述特征距离包括欧氏距离和余弦距离。

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通服中睿科技有限公司，其通讯地址为：510630 广东省广州市天河区陶育路78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”。