CN114091510B 基于领域自适应的跨域车辆重识别方法 （南京信息工程大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114091510B(45)授权公告日2025.07.01

(21)申请号202111090479.9

(22)申请日2021.09.17

(65)同一申请的已公布的文献号申请公布号CN114091510A

(43)申请公布日2022.02.25

(73)专利权人南京信息工程大学

地址224002江苏省盐城市盐南高新区新

河街道文港南路105号

(72)发明人孙伟胡亚华张小瑞徐凡代广昭左军纪锦

(74)专利代理机构南京纵横知识产权代理有限

公司32224专利代理师钱玲玲

(51)Int.CI.

GO6V20/58(2022.01)

GO6V10/44(2022.01)

GO6V10/74(2022.01)

GO6V10/762(2022.01)

GO6V10/764(2022.01)

GO6V10/774(2022.01)

GO6V10/82(2022.01)

GO6N3/0455(2023.01)

GO6N3/09(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN113378632A,2021.09.10

胡亚华.“基于领域自适应的车辆重识别研究”.《中国优秀硕士学位论文全文数据库(信息科技辑)》.2024,全文.

审查员岳春阳

权利要求书2页说明书6页附图2页

(54)发明名称

基于领域自适应的跨域车辆重识别方法

(57)摘要

CN114091510B基于领域自适应的跨域车辆重识别方法。本发明公开了将图片输入预先训练好的三条Net网络模型中，对三条Net网络的参数进行加权平均得三条Mean-Net网络模型；将源域图片输入Mean-Net网络模型中输出的预测值标记为软伪标签；将目标域图片通过聚类算法得到硬伪标签；通过软伪标签和硬伪标签分别计算三条Net网络模型的软分类损失函数和硬分类损失函数；通过三条Net网络模型，即Net1,Net2和Net3,对应的软分类损失函数和硬分类损失函数构建循

CN114091510B

输入iege

DBSCA报类

概率软伪标签

Swin-transformer预训练

插入SNR模块

NET1,2.3

Mean-NET1,2,3

硬伪标签

循环平均学习

输出

CN114091510B权利要求书1/2页

2

1.基于领域自适应的跨域车辆重识别方法，其特征在于，所述方法包括：

将图片输入预先训练好的三条Net网络模型中，对三条Net网络的参数进行加权平均得三条Mean-Net网络模型；

将源域图片输入Mean-Net网络模型中输出的预测值标记为软伪标签；

将目标域图片通过聚类算法得到硬伪标签；

通过软伪标签和硬伪标签分别计算三条Net网络模型的软分类损失函数和硬分类损失函数；

通过三条Net网络模型，即Net1,Net2和Net3,对应的软分类损失函数和硬分类损失函数构建循环平均学习框架；

将车辆数据图片输入循环平均学习框架输出相同车辆图片；

Net网络模型的训练方法包括：

将swin-transformer作为特征提取网络，将预先训练好的SNR模块和多分类器插入特征提取网络，构建Net网络模型；

SNR模块的训练步骤：

输入源域图片经过实例归一化，然后将实例归一化的特征图与原特征图做差值，在差值中通过mask提取和身份相关的信息并将提取的信息加到实例归一化后的特征图；

将实例归一化的特征图与提取的信息特征图相加得到的特征图再通过群归一化处理得到最后的特征图。

2.根据权利要求1所述的基于领域自适应的跨域车辆重识别方法，其特征在于，实例归一化的表达式如下：

(1)

其中，F为输入特征，μ是对每个样本通道的平均值计算，σ同理是标准差计算，Y和

β

是从样本中学到的参数，S表示用于计算均值和方差的像素集。

3.根据权利要求1所述的基于领域自适应的跨域车辆重识别方法，其特征在于，实例归一化的特征图与原特征图做差值的表达式如下：

R=F-F(2)

R是原特征和实例归一化特征之间的差异，然后将R分成两个部分R+和R?,其中，R+是与身份相关的特征信息，R?是与