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！

龙图腾网获悉大连大学申请的专利一种基于卷积和自注意力的遮挡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：CN115909404B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202211512440.6，技术领域涉及：G06V40/10；该发明授权一种基于卷积和自注意力的遮挡行人重识别方法是由周东生;杨初夏;樊万姝设计研发完成，并于2022-11-29向国家知识产权局提交的专利申请。

本一种基于卷积和自注意力的遮挡行人重识别方法在说明书摘要公布了：本发明提供了一种基于卷积和自注意力的遮挡行人重识别方法，属于计算机视觉领域。本发明通过结合卷积运算和注意力机制两种不同网络结构各自的优势，构建了双分支编码器对行人图像进行特征编码，从而使模型得到丰富语义的全局特征和具有局部细节的局部特征；并且提出了局部信息聚合模块，能够进一步有效抑制特征编码得到的特征图中的噪声，从中提取出鉴别性特征；除此之外，还设计了一种多头全局到局部注意力模块，以此向局部特征中融入全局信息，丰富了局部特征所包含的信息，增强了网络提取鉴别性局部特征的能力，有效提高了整个模型的准确率。

本发明授权一种基于卷积和自注意力的遮挡行人重识别方法在权利要求书中公布了：1.一种基于卷积和自注意力的遮挡行人重识别方法，其特征在于，该方法包括以下步骤： 步骤1：使用双分支编码器获取行人图像的全局特征编码和局部特征图； 步骤2：将行人图像的局部特征图输入至局部信息聚合模块中，得到局部特征序列； 步骤2.1：对于步骤1中所得的局部特征图，使用一个大小为的卷积层，并将其输出的形式转换为令牌形式，该步骤的输出用公式4表示： ； 其中，表示特征形式转换操作，表示大小为的卷积层，为步骤1中所得的局部特征图； 步骤2.2：步骤2.1所述的卷积层之后添加一个全连接层，并转换其输出形式；该步骤的输出用公式5表示： ； 其中，表示特征形式转换操作，表示全连接层； 步骤2.3：添加一个大小为的深度卷积层，实现不同令牌之间的信息交换，同样地，改变其输出形式；该步骤的输出用公式6表示：； 其中，表示特征形式转换操作，表示大小为的深度卷积层； 步骤2.4：在深度卷积层之后，采用了一个全连接层，并以令牌的形式得到特征表示；该步骤的输出用公式7表示： ； 其中，表示全连接层，为步骤2.3的输出，为局部信息聚合模块的最终输出； 步骤3：将局部特征序列平均分为N组，将N组局部特征序列和步骤1得到的全局特征编码分别输入至多头全局到局部注意力模块层和前向反馈层，得到N个局部特征编码； 步骤3.1：对于步骤2由局部信息聚合模块得到的特征序列，将其平均划分为个部分，作为行人图像的个局部特征，其中； 步骤3.2：对于个局部特征，为了避免因相机偏差导致的信息失真，均添加相机编码，得到局部特征序列，其中，该步骤用公式8表示为： ； 式中，表示相机编码； 步骤3.3：对于每一个局部特征的学习，将局部特征和步骤1中得到的全局特征同时分别送入权值共享的多头全局到局部注意力模块和前向反馈层，学习蕴含全局信息的局部特征； 其中，多头全局到局部注意力模块由16个注意力模块进行构建，其结构用如下公式表示： ； ； ； ； 式中，表示两个不同的输入特征，、、分别表示查询集、键集、值集，表示缩放因子，和都是可训练的矩阵，表示拼接操作，与分别表示从特征序列中选取补丁序列与分类令牌，表示多头全局到局部注意力模块； 从整体上看，以局部特征和全局特征为输入，经过多头全局到局部注意力模块输出编码后的特征和前向反馈层输出编码后的特征用以下公式表示： ； 式中，表示层归一化，表示多头全局到局部注意力模块，表示前向反馈层； 步骤4：对步骤1得到的全局特征编码和步骤3得到的N个局部特征编码均使用三元组损失和分类损失进行模型训练，得到遮挡行人重识别模型； 步骤5：加载步骤4中的模型，将所需要查询的目标行人图像输入到训练完的遮挡行人重识别模型中，得到查询结果。

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大连大学，其通讯地址为：116622 辽宁省大连市开发区学府大街10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。