专利名称：一种自适应特征融合和跨模态的行人重识别方法      申请号：2024112891706     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 人工智能 模式识别 行人重识别   相似专利 发布日：2025/10/15  

应用场景：智能安防监控中的行人追踪与检索;多摄像头网络下的跨模态行人识别;复杂场景下的行人再识别任务

专利名称：一种基于跨相机通道信息交互和时空语义感知的无监督行人重识别方法      申请号：2025101900119     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 人工智能 视频监控 行人重识别   相似专利 发布日：2025/10/10  

应用场景：多摄像头网络下的行人跨镜追踪;无标注数据场景的行人识别;复杂场景下的行人再识别

专利名称：一种多尺度遮挡抑制的遮挡行人重识别方法      申请号：2023114018442     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 深度学习 图像处理 智能监控 行人重识别   相似专利 发布日：2025/10/10  

应用场景：智能安防中的行人追踪与检索；智慧城市中的跨摄像头行人识别；自动驾驶中的行人再识别；复杂场景下的行人数据分析

专利名称：一种有效且轻量的多尺度行人重识别方法      申请号：2023111287786     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 深度学习 图像处理 行人重识别   相似专利 发布日：2025/10/10  

应用场景：智能监控系统；安防领域；跨摄像头行人追踪；公共安全；智慧城市建设

专利名称：一种姿势引导对齐的轻量行人重识别方法      申请号：202310130976X     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 深度学习 模式识别 智能监控 行人重识别   相似专利 发布日：2025/10/10  

应用场景：跨摄像头行人追踪;安防监控中的可疑目标识别;智慧城市中的行人行为分析;零售场景的客户动线优化

专利名称：一种联合多级特征的轻量行人重识别方法      申请号：2022116804483     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 深度学习 人工智能 行人重识别   相似专利 发布日：2025/10/10  

应用场景：智能监控系统中的行人身份识别；安防领域的跨摄像头追踪；智慧城市中的行人数据分析

专利名称：基于Transformer网络模型的行人重识别方法、装置及计算机设备      申请号：2023103510005     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 深度学习 人工智能 行人重识别   相似专利 发布日：2025/09/23  

应用场景：智能监控系统；安防领域；智慧城市；自动驾驶辅助

专利名称：基于迁移网络的无监督图像视频行人重识别的方法及系统      申请号：2019102279553     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/07/15  
摘要： 本发明属于行人重识别技术领域，公开了一种基于迁移网络的无监督图像视频行人重识别的方法及系统，将源域中图像和视频数据集用改进后的三元组网络分别进行特征提取；使用源域数据集和目标域训练集训练生成对抗网络；根据目标训练集中待识别的行人图像Iti使用训练好的生成对抗网络，生成深度特征；计算图像的深度特征与目标域中视频的深度特征之间的欧氏距离；选择与查询图像距离最近的视频，打上与图像相同的类标记。本发明使用无监督的方法消除了图像和视频之间的鸿沟，大大节省了标记成本，提高了行人重识别的效率；通过对不同模态图像和视频进行无监督深度学习，有效提高了跨模识别的效率。

专利名称：基于Multiformer及离群样本重分配的无监督行人重识别方法      申请号：2022114047309     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/07/07  
摘要： 本发明涉及一种基于Multiformer及离群样本重分配的无监督行人重识别方法。其基于Transformer网络构建多分支网络识别模型Multiformer，包括单相机域Intraformer网络以及多相机域Interformer网络，所有的单相机域Intraformer网络共享骨干网络参数，增强泛化能力，在一定程度上缓解了由不同相机域的背景、光照等带来的域间差异，提高了模型对噪音伪标签的鲁棒性，进一步提升了无监督行人重识别的精度。利用自适应离群样本重分配，可扩展伪标签的数量，增强了多分支网络识别模型Multiformer的特征表示能力。在模型训练时，利用实例级对比学习与聚类级对比学习组成的联合学习，可以大幅度提高聚类的准确度，缓解噪音伪标签的问题，从而有效提高无监督行人重识别的准确性与鲁棒性。

专利名称：一种基于多粒度信息交互模型的行人重识别方法      申请号：2020104959164     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/07/07  
摘要： 一种基于多粒度信息交互模型的行人重识别方法，属于机器视觉领域。该方法采用多粒度网络通过空间分块的方式在保留输入图片特征图的同时将该特征图分为多个尺度的子特征图，并且将原特征图作为全局分支处理，将每个子特征图作为局部分支处理。此外提出了多粒度信息交互模型来促进多个分支之间的信息交互。多粒度信息交互模型包含全局映射注意力模块和标签项互学习模块。全局映射注意力模块负责促进全局分支与局部分支之间的信息交互，标签项互学习模块负责促进多个全局分支之间的信息交互。最终利用多粒度信息交互模型分别促进了全局分支与局部分支以及不同全局分支之间的信息交互，进一步提高了具有多分支网络结构的行人重识别模型的性能。

专利名称：基于视频的并行时空注意力行人重识别方法      申请号：2020100848779     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/07/07  
摘要： 基于视频的并行时空注意力行人重识别方法，属于计算机视觉领域。本发明提出的并行时空网络模型，能够同时提取行人的时序特征和空间特征，显著减少了行人信息的损失。此外为获取更具有辨识性的时序特征，本发明提出了全局时序注意力模块，同时为获取更具有辨识性的空间特征本发明引入了空间卷积注意力模块。全局时序注意力模块能够选择出辨识性更强的视频帧，同时空间卷积注意力模块能够对显著性区域进行特征提取。最终本发明使用特征融合的方法对时序特征和空间特征进行联合，从而获得更加完整的行人特征用于行人的重识别，极大提高了行人重识别模型的鲁棒性。

专利名称：一种基于关系图注意力网络的拥挤行人重识别方法      申请号：2024103907029     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/06/24  
摘要： 本发明属于人工智能和计算机视觉技术领域，具体涉及一种基于关系图注意力网络的拥挤行人重识别方法。本发明方法首先使用姿态特征提取模块提取外形特征，利用OpenPose获得人物的关键点集合，并使用多个线性层将其转化为高维向量，然后利用关系图注意力网络来获取到图片中的形状特征，从而将干扰人物的信息排除在形状特征外，然后利用提出的形状引导的特征增强模块，通过两阶段的交叉注意力过程，挖掘基于形状特征的外观特征，从而获取到关键的目标人物的具有判别性的特征，并进行人物身份的重识别。本发明方法解决拥挤行人重识别问题，提高模型识别准确率。

专利名称：基于相机差异的调度序列及训练的行人重识别方法      申请号：2024106831479     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/05/29  
摘要： 本发明涉及图像检索技术领域，尤其是提供了基于相机差异的调度序列及训练的行人重识别方法。该方法包括根据训练后的特征提取网络，获得每个相机对应的相机特征，并获得线性映射层的输出、每个相机的mAP值和融合相机特征后的mAP值；将未融入相机特征所得到的mAP值作为分子，将融合相机特征后的平均精度mAP值作为分母，得到相机特征调度序列；根据相机特征调度序列由大到小依次选择每个相机的特征权重，将其相机代表的特征进行融合形成最新的特征；如此循环，以至将每个相机的特征全部融合后，对卷积神经网络进行训练，确定预测结果，该方法在面对多相机的场景时，提高了重识别的准确率和稳定性，使其达到了较高的水准。

专利名称：一种基于特征压缩的单样本行人重识别方法      申请号：2023113714013     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/09/08  
摘要： 本发明公开了一种基于特征压缩的单样本行人重识别方法，包括：首先将行人重识别的标准数据集中的已标签图片进行对抗性生成图片操作；然后，将生成的图片以及未标签图片放入单样本行人重识别网络中，获得距离矩阵，选取得分最高的一定数量的图片，并标注伪标签；其次，选取行人图像，进入网络训练，特别地，对图片进行特征压缩，联合损失函数，训练出性能良好的单样本识别网络；最后，完成对目标行人的识别。本发明提出基于特征压缩的单样本行人重识别方法，选择逐步地添加未标注图像到模型中，利用对抗性生成图像避免过拟合，并利用特征压缩减小图片带来的噪声影响，从而提高模型识别的准确率。

专利名称：一种利用局部监督的跨模态行人重识别方法      申请号：2022112232451     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 利用 行人重识别   相似专利 发布日：2025/09/08  
摘要： 本发明公开了一种利用局部监督的跨模态行人重识别方法，首先利用图像处理的方法将可见光图像转换成与红外图像更为接近的灰度图像，在图像层面缓解跨模态的差异，避免了使用GAN可能会造成的引入新的噪声以及需要额外训练过程的问题。其次使用共享参数的双流网络，提取具有判别性的共享特征，在特征层面缓解跨模态差异；接着，设计了局部监督网络，使学习到的全局特征吸取局部特征的优势，增强其对背景、遮挡等噪声的鲁棒性，缓解了模态内部差异；最后，设计了跨模态分组损失，联合身份损失对网络进行约束，维持类内距离的同时，拉大类间距离，提升整体性能。本发明的跨模态行人重识别框架LSN兼顾解决了跨模态差异以及模态内部差异。

专利名称：一种无监督学习行人重识别方法、装置、设备及存储介质      申请号：202211439856X     转让价格：面议  收藏
法律状态：授权未缴费   类型：发明   关键词：图像识别 目标检测 人脸识别 视频监控 行人重识别   相似专利 发布日：2025/04/27  
摘要： 本发明公开了一种无监督学习行人重识别方法、装置、设备及存储介质，涉及行人图像识别领域，解决现有技术中识别模型识别精度较低和鲁棒性较差的问题，本申请提出可靠样本挖掘策略，通过DBSCAN聚类算法为每个样本生成两个伪标签，再计算两个伪标签的可靠度，通过预设的伪标签可靠度阈值对伪标签去噪，保留可靠度较高的伪标签，从而降低伪标签噪声，提升伪标签的准确度，以便更接近于真实标签，从而提高识别模型的精度；本申请还提出了融合全局特征和局部特征的二重动量更新策略，分别对存储字典中的特征向量进行局部更新和全局更新，保证模型参数与存储字典中样本特征向量更新步调的一致性，使得存储字典中特征向量表示更加准确，重识别模型的鲁棒性更强。

专利名称：基于混合簇中心标签学习的行人重识别方法和存储介质      申请号：202110669267X     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/07/29  
摘要： 本发明公开了基于混合簇中心标签学习的行人重识别方法和存储介质，首先使用有标签数据初始化网络模型参数，并计算出初始的簇中心标签，然后利用网络模型提取无标签数据的特征信息；再计算无标签数据的特征信息与簇中心之间的距离并筛选出预设比例的伪标签数据，且剩余数据为模糊标签数据，并生成簇中心标签作为指导标签，更新存储器中的簇中心标签；把伪标签数据和模糊标签数据按照多次少量的方式加入到训练样本中，重新训练深度神经网络模型。本发明利用聚类的方法将无标签的数据分为伪标签数据和模糊标签数据，并计算出簇中心，然后使用多种类别的簇中心进行模型分类优化，充分利用到多方面的信息，有效提高行人重识别方法的精度。

专利名称：一种联合YOLOv8模型的行人重识别装置及方法      申请号：2024112891674     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/08/11  
摘要： 本发明公开了一种联合YOLOv8模型的行人重识别装置及方法，所述方法包括以下步骤：（1）利用无线摄像头组追踪装置获取行人数据并存储为查询集；（2）构建基于YOLOv8s多尺度精准化行人类别检测模型，包括：YOLOv8s模型和多尺度精准化行人类别检测模块；YOLOv8s模型将处理过的图像通过串联的形式传递给多尺度精准化行人类别检测模块；（3）使用相机感知行人重识别方法计算YOLOv8s模型输出的图像与查询集中的行图像的相似性；本发明克服了相机间负样本引入的问题，提高了模型在不同摄像头下的泛化能力。

专利名称：基于随机颜色丢弃和注意力的轻量行人重识别方法及系统      申请号：2024109500105     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/08/11  
摘要： 本发明公开了基于随机颜色丢弃和注意力的轻量行人重识别方法及系统，涉及行人重识别技术领域，接收图像数据，对图像数据进行预处理，得到预处理图像数据；将预处理图像数据输入至预先建立的嵌入有级联自注意力模块的OSNet内，提取特征，得到图像特征；将图像特征通过全连接层进行分类，将图像特征映射到相应的类别标签上，得到分类后的图像特征；使用分类后的图像特征计算带有标签平滑的身份损失，通过反向传播更新梯度对预先建立的轻量行人重识别网络模型进行优化训练，得到优化后的轻量行人重识别网络模型；获取行人重识别数据集的测试集，将行人重识别数据集的测试集输入至优化后的轻量行人重识别网络模型内，得到轻量行人重识别结果。

专利名称：一种基于Transformer和融合聚类的对比学习无监督行人重识别方法      申请号：2024111631063     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：计算机视觉 行人重识别   相似专利 发布日：2025/08/11  
摘要： 本发明公开了一种基于Transformer和融合聚类的对比学习无监督行人重识别方法，包括以下步骤：（1）监控摄像头拍摄行人视频上传至云端服务器，服务器对行人进行跟踪并裁剪图片；（2）使用Transformer网络提取行人图像特征；（3）融合聚类模块对提取的图像特征进行融合聚类；（4）利用多级对比学习模块获取实例之间的关系；本发明采用自动化的方式对行人进行识别，减少了人工走访调查的工作量。