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！

龙图腾网获悉深圳市安软慧视科技有限公司申请的专利行人属性识别模型的训练方法、系统及相关设备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：CN114821638B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202210371922.8，技术领域涉及：G06V40/10；该发明授权行人属性识别模型的训练方法、系统及相关设备是由孙志伟;师亚涛;闫潇宁设计研发完成，并于2022-04-08向国家知识产权局提交的专利申请。

本行人属性识别模型的训练方法、系统及相关设备在说明书摘要公布了：本发明适用于计算机视觉应用领域，提供了一种行人属性识别模型的训练方法、系统及相关设备，所述方法包括：获取包含行人图像的数据集，并利用Apriori算法对数据集进行过滤，得到频繁项集；对频繁项集进行二值属性转换，得到训练数据集；构建包含改进的ULSAM注意力模块的预训练属性识别模型，并将训练数据集输入，得到关于行人属性的识别准确率结果；根据识别准确率结果，按照预设关联规则对存在强相关性的多种行人属性进行准确率判断，并将满足预设准确率阈值的多种行人属性所对应的全连接层进行连接；输出得到行人属性识别模型。本发明通过改进的ULSAM注意力模块和Apriori算法，优化了属性识别模型结构，增强了识别性能。

本发明授权行人属性识别模型的训练方法、系统及相关设备在权利要求书中公布了：1.一种行人属性识别模型的训练方法，其特征在于，所述方法包括： 获取包含多张行人图像的数据集，并利用Apriori算法对所述数据集进行过滤，得到频繁项集，所述频繁项集中的每一所述行人图像包含至少2种行人属性； 对所述频繁项集进行二值属性转换，得到训练数据集； 构建包含改进的ULSAM注意力模块的预训练属性识别模型，并将所述训练数据集输入至所述预训练属性识别模型，得到关于所述行人属性的预训练属性识别准确率结果，其中，所述预训练属性识别模型还包含与所述行人属性的数量对应的全连接层，且每一所述全连接层分别对应一种所述行人属性； 根据所述预训练属性识别准确率结果，按照预设关联规则对存在强相关性的多种所述行人属性进行准确率判断，并将满足预设准确率阈值的所述行人属性所对应的所述全连接层进行连接； 将完成了所述全连接层连接的所述预训练属性识别模型输出，得到行人属性识别模型； 其中，所述预训练属性识别模型基于Resnet50模型，所述Resnet50模型根据前后逻辑顺序包含输入层、第一残差层、第二残差层、第三残差层、第四残差层、全连接层、输出层，所述第一残差层、所述第二残差层、所述第三残差层、所述第四残差层之间两两具有交互通道，其中，所述第一残差层包含3个残差模块，所述第二残差层包含4个残差模块，所述第三残差层包含6个残差模块，所述第四残差层包含3个残差模块，每一所述残差模块均由前后逻辑顺序的1*1卷积、3*3卷积、1*1卷积组成； 所述改进的ULSAM注意力模块包含空间注意力子模块和SE-通道注意力子模块，其中，所述空间注意力子模块位于所述第一残差层的最后一个1*1卷积之后，所述SE-通道注意力子模块位于所述全连接层的输出之后； 在所述预训练属性识别模型中，定义所述第一残差层的最后一个1*1卷积输出的一个特征图为F，F可划分为对应所述行人属性的数量的g个子特征图，则所述特征图F的所述子特征图可以表示为关系式1： [F1，…Fn，…Fg]1 其中n和g均为正整数； 定义所述空间注意力子模块以Fn为输入进行处理后输出的空间注意力特征图为F’n，则所述空间注意力特征图F’n满足关系式2： F’n＝sigmodmaxpoolFn*Fn2 定义所述预训练属性识别模型中Resnet50的通道连接和卷积操作对所述空间注意力特征图F’n进行处理后输出的第二特征图为F”n，则所述第二特征图F”n满足关系式3： 定义所述SE-通道注意力子模块以所述第二特征图F”n为输入进行处理后，再经过所述输出层输出的修正特征图为Out，则所述修正特征图Out满足关系式4： Out＝FC2ReluFC1maxpoolConcat[F”1，…F”n，…F”g]4 以上关系式2、3、4中，maxpool表示通道维度的最大池化操作，sigmod、Relu表示激活函数，Concat表示通道连接操作，Conv表示卷积核大小为1*1的卷积操作，FC表示全连接层的全连接操作。

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深圳市安软慧视科技有限公司，其通讯地址为：518000 广东省深圳市福田区沙头街道天安社区深南大道6019号金润大厦9A1；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”。