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！

龙图腾网获悉安徽大学申请的专利一种多尺度批量特征丢弃网络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：CN114694170B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202210091784.8，技术领域涉及：G06V40/10；该发明授权一种多尺度批量特征丢弃网络的行人重识别方法是由张德祥;袁培成;寻丽娜;张晶晶设计研发完成，并于2022-01-26向国家知识产权局提交的专利申请。

本一种多尺度批量特征丢弃网络的行人重识别方法在说明书摘要公布了：本发明公开了一种多尺度批量特征丢弃网络的行人重识别方法，涉及行人识别技术领域，具体包括如下步骤：S1、利用IBN‑Net50‑a为基础骨干网络提取特征；S2、对最后两层卷积层融合批量特征丢弃方法；S3、拼接不同维度的特征，能够包含更多浅层、深层的有用信息，IBN包括IN和BN，IN提取的鲁棒特征是不随一些外观变化而变化的，如颜色、风格、虚拟真实，BN则是保留与内容相关的信息，本发明以IBN‑Net50‑a为骨干网的改进的网络模型，对最后两层卷积层融合批量特征丢弃方法，以增强局部区域的专注特征学习。采取多尺度特征融合策略，对不同的分支输出的特征图采用不同的池化，提升网络的鲁棒性、学习效率以及识别率。

本发明授权一种多尺度批量特征丢弃网络的行人重识别方法在权利要求书中公布了：1.一种多尺度批量特征丢弃网络的行人重识别方法，其特征在于：具体包括如下步骤： S1、利用IBN-Net50-a为基础骨干网络提取特征； S2、对最后两层卷积层融合批量特征丢弃方法； S3、拼接不同维度的特征，能够包含更多浅层、深层的有用信息； 在步骤S1中，IBN包括IN和BN，IN提取的鲁棒特征是不随颜色、风格、虚拟或真实的外观变化而变化的，BN则是保留与内容相关的信息； 在步骤S1中，IBN-Net50-a只在ResNet50前面3个Group中加入IN，三个Group为conv2_x～conv_4-x，其他Group不变； 在步骤S2中，给定基础骨干网络从一批输入图像计算出的特征图，批量特征丢弃层随机丢弃相同的特征图区域，丢弃区域内的所有单位均为零； 在步骤S2中，以IBN-Net50-a为基础骨干网络，对最后两层卷积层融合批量特征丢弃方法，以增强局部区域的专注特征学习； 对融合批量特征丢弃方法采用全局最大池化，对其他采用全局平均池化，分别采用卷积降维处理，提高网络的学习效率，改进后的行人重识别网络结构有骨干网络、卷积层、FD模块、池化层以及全连接层； IBN-Net50-a整体网络用于： 1负责从模型不同深度提取不同尺度的特征图，分别记为f1、f2和f3，f1的尺度为48×16×512，f2的尺度为24×8×1024，最后一个卷积的步长设为1，f3的尺度为24×8×2048； 2对提取到的特征图进行处理，分为4个部分，对f2、f3分别融合批量特征丢弃方法，采用全局最大池化层得到f2的特征向量维数为1024，f3的特征向量维数为2048，强迫网络获得局部细节特征，对f3不做其他处理，采用全局平均池化层得到f3的特征向量维数为2048，最后卷积核为1×1的进行降维，其维数进一步减少到512，最后归一化特征进行拼接，以获得最后的特征包含不同层次信息； 3对处理后的特征向量进行分类和度量学习，采用标签平滑损失和三元组损失的联合损失函数进行，不同尺度特征图池化层之后的特征用三元组损失函数，最后全连接层用标签平滑损失函数，测试推理时，则将所有的输出特征拼接起来，然后通过计算欧式距离的方式进行排序； 行人重识别任务中，三元组损失优化过程为针对目标样本和正样本以及负样本之间的距离，使得相同行人类内距离更近，不同行人类间距离更远； 一个三元组被描述为a，p，n,则三元组损失的思想用欧氏距离形式化表示为式1,其中，P为行人ID数，K为每个行人图片数量，margin表示一个强制间隔； 交叉熵损失函数是分类任务常用的损失函数，如式2所示，其中N为数据集行人ID数，n是行人标签，pi是网络预测该行人属于标签i行人的概率； 标签平滑损失函数，如式3所示，ε为错误率，则1-ε为真实标签，设置ε＝0.1； 全连接层用标签平滑函数优化，如式4所示：

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安徽大学，其通讯地址为：230601 安徽省合肥市九龙路安徽大学电气工程与自动化学院；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”。