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！

龙图腾网获悉宁波大学申请的专利基于自标签精炼深度学习模型的无监督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：CN114648779B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202210246604.9，技术领域涉及：G06V40/10；该发明授权基于自标签精炼深度学习模型的无监督行人重识别方法是由余晓婷;郭立君;张荣设计研发完成，并于2022-03-14向国家知识产权局提交的专利申请。

本基于自标签精炼深度学习模型的无监督行人重识别方法在说明书摘要公布了：本发明提供了基于自标签精炼深度学习模型的无监督行人重识别方法，涉及行人重识别技术领域，本方法包括步骤：S1：获取不带标签的行人图片数据集其中N表示数据集中图片的数量，xi表示数据集中第i张行人图片，将每张图片的尺寸调整为相同高度和宽度，并进行预处理；S2：构建自标签精炼深度学习模型，将预处理的训练数据输入网络，提取图片样本的多粒度特征；其中，多粒度特征包括全局特征、上半身特征和下半身特征。本方法能够通过局部特征对伪标签进行更正，从而缓解因跨视角造成的同个行人的图片上的差异，并提高网络对噪声标签的鲁棒性。

本发明授权基于自标签精炼深度学习模型的无监督行人重识别方法在权利要求书中公布了：1.基于自标签精炼深度学习模型的无监督行人重识别方法，其特征在于，包括步骤： S1：获取不带标签的行人图片数据集其中N表示数据集中图片的数量，xi表示数据集中第i张行人图片，将每张图片的尺寸调整为相同高度和宽度，并进行预处理； S2：构建自标签精炼深度学习模型，将预处理的训练数据输入网络，提取图片的多粒度特征；其中，多粒度特征包括全局特征、上半身特征和下半身特征； 所述自标签精炼深度学习模型由特征提取器，记忆模块和自标签精炼模块组成； 所述特征提取器结构包括两部分，所述特征提取器的第一部分采用ResNet50架构的前四个阶段；所述特征提取器的第二部分在第一部分后分为两个分支，分别为全局分支和局部分支，对所述全局分支得到的特征图采用Generalize-meanPooling进行池化，其中参数p＝2，池化后特征图大小为2048×1×1；对所述局部分支得到的特征图采用Generalize-meanPooling池化，参数p＝2，池化后的特征图大小为2048×2×1，并对特征图进行水平条划分，得到两个大小均为2048×1×1的局部特征图；对所述局部分支得到的特征图通道进行缩减，采用256个1×1的卷积核对两个2048×1×1的局部特征图分别进行卷积，对得到结果进行BatchNormalize和ReLU，所述局部分支得到两个局部特征图大小为256×1×1和256×1×1；对所述全局分支和所述局部分支得到的特征图进行维度剪裁，得到一个维度为2048×1的全局特征和两个256×1的局部特征； S3：对提取的多粒度特征进行聚类，得到全局伪标签，上半身伪标签和下半身伪标签； S4：根据聚类结果构建记忆模块，计算一致性矩阵并修正全局伪标签；其具体过程为： S41：对所有图片的全局特征计算两两之间的Jaccard距离，得到N×N维的距离矩阵； S42：结合得到的距离矩阵，采用DBSCAN进行聚类，对一个簇中的图片赋予相同的伪标签，对聚类产生的离群点，赋予其最近的簇的伪标签； S43：对局部特征，包括上半身特征和下半身特征，分别计算Jaccard距离矩阵，并采用DBSCAN进行各自聚类操作，对离群点同样采取分配最近簇伪标签的方式，分别得到各自的伪标签； S5：通过计算总损失，梯度回传更新网络参数，动量更新记忆模块参数，保存网络的最优参数； 所述ResNet50架构包括五个阶段，分别为： 第一阶段：卷积操作的卷积核数目为64，卷积核大小为7×7，补零参数的值为3，步长为2；BatchNormalize和ReLU激活；最大池化操作的核大小为3×3，补零参数值为1，步长为2； 第二个阶段包括三个Bottleneck； 第三个阶段包括四个Bottleneck； 第四个阶段包括六个Bottleneck； 第五个阶段包括三个Bottleneck； 所述的将预处理的训练数据输入网络为数据集中的所有行人图片均输入到所述特征提取器中，得到特征集 其中分别表示图片xi的全局特征，上半身特征和下半身特征； 所述的计算一致性矩阵为：将全局伪标签为n的图片集合记为Ign，其中n∈[1,Zg]，Zg表示全局特征聚类得到的类别数，将上半身伪标签为j，下半身伪标签为k的图片集合记为Iupj和Ilowk，其中j∈[1,Zup]，k∈[1,Zlow]，Zup和Zlow分别是上半身特征和下半身特征聚类得到的类别数； 所述修正全局伪标签为给定一个图片xi，得到它的one-hot全局伪标签上半身特征和下半身特征结合得到的一致性矩阵和记忆模块，计算传递的局部标签置信度，更正全局伪标签； 将训练图片数据随机平均分成多个batch，每个batch中包含P个类别，每个类别有K张图片，一个batch有P×K张图片；一个图片xi包括三个特征，分别为全局特征上半身特征和下半身特征还包括三个标签，分别为全局伪标签上半身伪标签和下半身伪标签对图片的全局伪标签进行修正，得到修正后的标签为

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宁波大学，其通讯地址为：315021 浙江省宁波市江北区风华路818号宁波大学；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”。