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！

龙图腾网获悉西北工业大学申请的专利一种基于索引预测的端到端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：CN120126181B 。

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：202510285742.1，技术领域涉及：G06V40/10；该发明授权一种基于索引预测的端到端行人重识别方法是由张艳宁;王鹏;郭家尧;矫炳亮设计研发完成，并于2025-03-11向国家知识产权局提交的专利申请。

本一种基于索引预测的端到端行人重识别方法在说明书摘要公布了：本发明公开了一种基于索引预测的端到端行人重识别方法，构建了一种全新的ReID方法——StreamReID模型，通过将ReID任务重新定义为索引预测问题，并利用编码器‑解码器架构实现特征提取、特征增强和排序步骤的联合优化，同时设计了一种定制化的多标签交叉熵损失函数以适应多匹配图像的情况，从而有效解决了现有技术中存在的问题，显著提升了ReID模型的性能和泛化能力。

本发明授权一种基于索引预测的端到端行人重识别方法在权利要求书中公布了：1.一种基于索引预测的端到端行人重识别方法，其特征在于，包括如下步骤： 步骤1：硬采样策略； 采用ViT模型作为特征提取器； 将样本图像输入ViT模型提取特征； 对提取的特征进行重采样，用于训练后续的编码器-解码器模块； 步骤2：构建编码器，用于实现关系信息交互； 步骤2-1：对从特征提取器中提取的图像特征进行空间平均池化，将其压缩为一维向量；池化后的查询特征和数据库特征分别表示为F＝{f,fd0,fd1,...,fdi,....,fdn}，其中f表示查询特征，fdi表示数据库特征，i为数据库中特征的索引；数据库特征fdi和查询特征其中C为通道维度； 步骤2-2：将池化后的特输入编码器模块，所述编码器模块由6个Transformer层组成，每层包含一个自注意力层，后面跟着一个前馈层；对于输入特征F，自注意力机制表示为： Projection:Q＝FCF,K＝FCF,V＝FCF Aggregation:F＝S`V1 其中FC、FC、FC均表示全连接层，用于将输入特征分别嵌入到查询Q、键K和值V向量中；d表示特征向量的维度；S是计算出的亲和度度量，反映了所比较特征之间的关系；是输出特征； 再将Fa被送入前馈层； 步骤2-3：重复步骤2-2六次，得到由编码器增强的特征，记为Fen； 步骤3：构建解码器，用于实现索引预测； 步骤3-1：聚合数据库图像特征通过一组可学习的位置嵌入L＝{l0,l1,...,ln,lEnd}构建动态码本，这一过程形式化地表示为： 其中，φ＝{φ0,φ1,...,φn,φEnd}是构建的动态码本，n是数据库中的图像数量，而φEnd是结束标记； 步骤3-2：将查询特征作为起始标记，记作然后将其送解码器模块，所述解码器模块由两层Transformer构成，这一过程写成： S0＝DecoderH03 其中是解码器模块的输出； 步骤3-3：基于S0中的最后一个元素与动态码本中每个索引特征之间的相关性预测匹配元素的索引位置，这一过程写成： ψ0＝softmaxηS0·φ4 其中，η是一个用于选择集合中最后一个元素的函数S0；向量ψ中最大值的索引指示当前预测匹配图像的位置； 步骤3-4：假设预测位置为j，将动态码本中的第j个元素与H0连接起来，构建下一轮的输入此后，将H1输入解码器，并反复应用式3和式4，迭代生成所有匹配图像的索引位置； 步骤4：损失函数； 采用多标签交叉熵损失函数，写成： 其中ψi是ψ中的第i个元素；pos表示数据库中所有匹配图像的索引； 通过使用上述损失函数，能够训练解码器模型在每一轮预测任何匹配图像的索引。

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西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127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。