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！

龙图腾网获悉北京交通大学申请的专利一种基于对比学习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：CN116524534B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202310381255.6，技术领域涉及：G06V40/10；该发明授权一种基于对比学习的无监督行人重识别方法是由李浥东;李志强;曹原周汉;陈乃月;张慧;金一设计研发完成，并于2023-04-11向国家知识产权局提交的专利申请。

本一种基于对比学习的无监督行人重识别方法在说明书摘要公布了：本发明提供一种基于对比学习的无监督行人重识别方法，包括：使用ImageNet预训练的ResNet‑50网络来初始化骨干编码器fθ；利用初始化后的编码器从原始数据集提取特征向量；使用DBSCAN聚类算法进行聚类，并根据每个聚类集群中的向量初始化内存字典；迭代抽取小批量的特征向量结合当前内存字典利用集群对比损失以及离群值损失训练编码器；更新内存字典中相应集群所对应的特征向量；迭代进行从DBSCAN聚类到训练模型编码器之间的步骤，直到模型收敛。本发明提供的方法，通过对比学习迭代提升网络模型的编码能力，使得实际相似的输入图片在高维空间中距离相近，反之差异越大的图片在高维空间中有着越大的距离；具备这样能力的编码器在执行下游任务时，可以快速收敛并且取得更好的性能。

本发明授权一种基于对比学习的无监督行人重识别方法在权利要求书中公布了：1.一种基于对比学习的无监督行人重识别方法，其特征在于，包括： S1基于无标签的行人重识别数据集X，使用骨干编码器对数据集X进行编码得到特征向量集合D； S2通过DBSCAN聚类方法将特征向量集合D中的特征向量在高维空间中聚为N类，给每个特征向量赋予一个伪标签，将每一个聚类用一个特征向量表示并将该个特征向量维护在内存字典M中，获得第一集群； S3通过第一集群，并利用集群级别的对比损失迭代训练网络模型；在每个迭代轮次中从上一轮次使用的集群随机抽取的小批量个特征向量，并且在前某多个训练周期添加离群值损失辅助训练，同时更新内存字典；具体包括： 步骤S3包括： 所述前某多个训练周期为前20个训练周期，在所述前20个训练周期内，针对Market1501数据将EPS参数设置为0.65，针对DukeMTMC-reID数据集将EPS参数设置为0.7；在所述前20个训练周期之后，针对DukeMTMC-reID数据集我们将EPS参数设置为0.7之后，针对Market1501数据集将EPS参数设置为0.45，针对DukeMTMC-reID数据集将EPS参数设置为0.55； 在每轮训练之前，通过式 1 对内存字典进行初始化；式中，表示当前阶段第i类所包含的样本数量；表示第i个集群的一个样本特征向量；表示第i类的集群中心； 在所述前20个训练周期内，通过式 2和 3 对内存字典进行难样本更新；式中，表示抽取的小批量样本中的第i类的平均值，表示对于第i类所抽取的K个样本特征；集群中心以动量方式更新，是动量法中的更新权值； 在所述前20个训练周期之后，通过式 和 5 对内存字典进行难样本更新；式中，表示小批量样本的第i类中与第i类的集群中心的余弦相似度最小的一个特征向量； 通过式 6 计算所述前20个训练周期的集群级别的损失函数；式中，q表示任一待查询向量，P表示本轮迭代批次所抽取的类别数，表示所抽取的P个类别的集群中心，表示q所属类别的集群中心； 在所述前20个训练周期内，通过式 7和 8 处理离群值损失；式中，是表示相对于当前离群值被认为不可靠的集群的比例，表示本轮迭代批次所抽取的离群值的数量，是两个损失函数之间的平衡因子； S4迭代重复步骤S1至S3，直至网络模型收敛； 收敛的网络模型用于行人重识别。

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北京交通大学，其通讯地址为：100044 北京市海淀区西直门外上园村3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。