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！

龙图腾网获悉南昌大学申请的专利一种基于特征相似度度量和深度学习的车辆再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：CN115661769B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202211391572.8，技术领域涉及：G06V20/54；该发明授权一种基于特征相似度度量和深度学习的车辆再识别方法是由闵卫东;展国伟;汪琦;赵浩宇设计研发完成，并于2022-11-08向国家知识产权局提交的专利申请。

本一种基于特征相似度度量和深度学习的车辆再识别方法在说明书摘要公布了：本发明提供了一种基于特征相似度度量和深度学习的车辆再识别方法，包括两个阶段：第一个阶段是基于半监督的跨域联合预训练，第二阶段则是预训练模型在目标域上的微调。本发明提出了一种新的特征相似性度量方法——重叠特征重排序OFR，并设计了一种新的无监督车辆再识别框架。该框架采用一种有效的半监督域训练方式，称为半监督跨域联合学习JCLS。OFR将提取的特征进行交叉划分得到特征分区，并将所有特征分区的测量结果相加，作为进行更准确的聚类的基础。在JCLS中，摒弃了以往的单域训练，而是引入目标域风格的样本，共同训练Re‑ID模型。这种方法可以提取出更加具有代表性的特征参与相似性度量，提高识别率。

本发明授权一种基于特征相似度度量和深度学习的车辆再识别方法在权利要求书中公布了：1.一种基于特征相似度度量和深度学习的车辆再识别方法，其特征在于：所述方法包括两个阶段：第一个阶段是基于半监督的跨域联合预训练，第二阶段则是预训练模型在目标域上的微调； 步骤A：在第一个阶段中，采用半监督的方式对模型进行预训练；将生成的图像与源域图像相结合并输送到预训练网络中；在这个过程中，提出了一种基于双重领域风格融合的伪标签重分配策略来研究目标域风格；包括： ①预训练过程中跨域的数据扩充 同时将已标记的源域数据和未标记的样本输入到待训练的CNN模型中；和表示第个样本及其对应的标签；其中，数据集由风格迁移网络生成； 为了充分利用已标记的源域数据和新生成的数据集的样本，采用半监督学习的方式对Re-ID模型进行预训练；利用标记的数据集S训练一个合适的学习者，并为未标记的样本GS分配伪标签；在整个预训练过程中，将风格传递网络生成的图像视为未标记数据； 对新生成的数据样本设计一个虚拟标签，使其具有源域和目标域的信息； ②基于双重领域风格融合的伪标签重分配策略 选择对目标域样本类型分配一定的权重，并使标签以软标签的形式存在；也就是说，风格迁移网络生成的新样本将会丢弃原有的ID，作为无标签集合GS参与半监督预训练并获得系统分配的软标签；同时，选择将一小部分权值分配给目标域中的标签种类；并且，将每个目标域图像作为一个单独的类来进行权值分布，它允许Re-ID模型捕捉明显的车辆表示；对于每一张未知图像，其权重分布如式1所示， ； 其中，表示第个未知样本，表示分配给该图片原始ID的权重,t表示正在计算权重的目标域的种类，为原始标签，属于第个图像；表示目标数据集中样本种类的数目；对于任意GS样本，对应的伪标签重分配过程的损失函数如式2 ； 其中表示图片属于目标数据集中第类样本的可能性； 将伪标签的重分配策略应用于①中的跨域数据增强策略；新样品放弃了硬标签，该标签阻碍了模型的目标域样式，并用作未标记的数据集GS；GS和S放置在预训练网络中，并以半监督的方式进行训练；未标记的样品获得了具有伪标签的重新分配策略的伪软标签，并用于优化预训练模型与源样本GS；基于上述分析，训练阶段中的总体损失函数表示为公式3： 3 表示交叉熵损失函数；在整个预训练阶段，利用两类损失函数对训练模型进行优化；上述整体损失函数具体表示为4： ； 其中为样本ID；表示样本是真实的图像，反之则相反；表示图片属于目标数据集中第类样本的可能性； 步骤B：在第二个阶段中，设计了更合理的特征相似度度量方法对提取到的目标样本特征进行度量；对提取的目标特征进行合理的划分以获得更多的特征分区，继而对这些特征分区分别地进行距离度量获得相似度结果。

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南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999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。