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！

龙图腾网获悉四川大学申请的专利一种基于特征分离与因果比较损失的跨模态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：CN115690669B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202110865607.6，技术领域涉及：G06V20/52；该发明授权一种基于特征分离与因果比较损失的跨模态重识别方法是由何小海;刘强;滕奇志;陈洪刚;卿粼波;李波;吴晓红设计研发完成，并于2021-07-29向国家知识产权局提交的专利申请。

本一种基于特征分离与因果比较损失的跨模态重识别方法在说明书摘要公布了：本发明提出了一种基于特征分离与因果比较损失的跨模态重识别方法。首先，使用嵌入了CNS非局部神经网络的Resnet50的特征提取网络来提取行人全局特征，该网络不仅可以增强CNN对全局语义信息的提取能力，而且还可以建立图像上两个有一定距离的像素之间的联系。其次，使用特征分离模块将提取到的特征进行分离，得到身份强相关和弱相关两类特征，然后使用双因果比较损失作为约束来指导从身份强相关特征中去除身份无关信息，使得增强身份强相关特征的表达能力，同时，还结合身份损失和加权正则化三元组损失联合训练，最终提高跨模态行人重识别精度。本发明主要应用于视频监控智能分析应用系统中，在图像检索，行人重识别智能安防等领域具有开阔的应用前景。

本发明授权一种基于特征分离与因果比较损失的跨模态重识别方法在权利要求书中公布了：1.一种基于特征分离与因果比较损失的跨模态重识别方法，其特征在于以下步骤： 1首先将图像大小都是可见光和红外行人分别送进两个结构相同的网络，分别得到可见光特征和红外特征，然后将和进行concatenate操作得到的特征，最后将送入CNS非局部神经网络中，最终输出行人特征； 2使用特征分离模块FeatureSeparationModule对步骤1的特征进行特征分离，分别得到身份强相关的特征和身份弱相关的特征两类特征； 3使用双因果比较损失DualCausalContrastiveLoss作为约束来指导从身份强相关特征中去除身份无关信息，使得提高身份强相关特征的表达能力，同时，还结合身份损失和加权正则化三元组损失进行联合训练，最终提高跨模态行人重识别精度； 变换对齐在于步骤2中使用了特征分离模块FSM，FSM包括一个全局平均池层以及两个分别由参数化的全连接层,随后是激活函数以及sigmoid激活函数；为了减少参数数量，使用缩小率并将其设置为16；因此，输入图像特征，SeparateBlock输出分离掩模向量，计算过程定义为： 输入模块的特征为所有可见光图像特征与红外图像特征；给定由基础网络输出的图像特征后，在度量空间内统一模态，并将其分解为两个与模态无关而与身份强相关的分量和背景影响身份辨别的干扰成分，其中，代表对应通道，并以更稳定的“残差”方式与原特征结合： 由于包含了与身份强相关的分量，通过更加稳定的“残差”的方式结合原始特征得到，并作为最终测试时用于行人身份表示的向量；相比于原始特征，由于包含了较多与身份无关的干扰分量，即，理论上其分辨能力应当变弱；由于可见光和红外跨模态行人重识别是一种细粒度的实例检索，目前广泛使用的最大池化或平均池化不能很好地捕获特定领域的区分特征，因此采用通用平均池化方式GMP对，和进行池化得到、和；通用平均池化带有超参数，不同于一般的平均池化或最小或最大值池化方式，、和的计算过程如下式所示： 其中为可以通过网络学习的超参数，也可以人为设定；可以看出，常用的最大池化和平均池化都是通用平均池化的特例，时相当于最大池化，而时相当于平均池化； 由于源自于，又源自于，因此、和均具有一定的辨别性，可以直接作为行人特征用于行人检索；而理论上包含更多身份强相关分量，而包含较多的身份弱相关干扰分量，则意味着应当具有最强的特征表示能力，其次，稍差。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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。