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！

龙图腾网获悉南京邮电大学申请的专利一种基于射频信号的无监督伪标签优化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：CN115293217B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202211013148.X，技术领域涉及：G06V20/52；该发明授权一种基于射频信号的无监督伪标签优化行人重识别方法是由韩崇;喻丹;郭剑;孙力娟;薛景;王娟设计研发完成，并于2022-08-23向国家知识产权局提交的专利申请。

本一种基于射频信号的无监督伪标签优化行人重识别方法在说明书摘要公布了：一种基于射频信号的无监督伪标签优化行人重识别方法，训练数据记为集合X，以Resnet50网络提取数据特征Xkey，利用DBScan方法给数据分类，并分配伪标签，将所有伪标签分为可信任标签和含有噪声标签的两个部分，分别使用两个网络不断预测未标签数据，当损失函数足够收敛时，即获得高质量的伪标签。将每一个聚类的特征标记为C1，C2，C3…CN并存储在内存的记忆字典中。之后采用P×K采样法抽取P个行人的数据，每个行人K张图片。对于每一个行人，选择最难表示的一张图片作为样本，动态更新Ci聚类特征。采用聚类对比损失的方法将查询实例与集群特性中的所有聚类特征C进行比较，直到所有聚类特征更新完毕，重复采样的过程。循环整个过程直到损失函数收敛，保存模型。

本发明授权一种基于射频信号的无监督伪标签优化行人重识别方法在权利要求书中公布了：1.一种基于射频信号的无监督伪标签优化行人重识别方法，其特征在于：所述方法包括如下步骤： 步骤1：射频信号预处理； 步骤2：通过Resnet50网络提取数据特征； 步骤3：根据步骤2得到的数据特征，使用DBScan方法分类，输入训练数据集D=x1，x2，x3，…，xm、邻域参数ε，Minpts和样本距离度量方式，其中ε表示邻域的最大半径，用来确定两个点是否相似或者属于同一类的距离，Minpts表示在一个领域的半径内Minpts数的邻域被认为是一个簇，输出簇划分C； 步骤4：聚类初始化特征；经过DBScan方法之后，获得N个集群，每个集群代表一个行人类别，为每个行人类别分配标签； 步骤5：伪标签优化，D表示训练数据的集合，N表示训练数据的数量，xi表示第i张图片x，yi表示第i张图片的伪标签；训练数据集合表示为：D=；将数据集的伪标签划分为不相交的两个部分X={xb,yb:b∈1,…,B}和U={ub:b∈1,…,B}，其中b分别表示划分之后的数据集合B中的顺序编号，即D=X∪U； 步骤6：训练网络以优化伪标签预测；使用了标签平滑和半监督学习方法，添加均匀噪声；在图片增强和削弱之后，预测标签保持一致，фAx表示增强样本图片，фax表示削弱样本图片，削弱一张图片需要M次操作，m∈{1,…,M}，即有xb,m,ub,m=фaxb，фaub；使用Resnet50模型作为分类预测网络fθ1、fθ2，通过训练预测网络保证伪标签的准确性；使用两个网络不断预测未标签数据，随着网络预测越来越准确，最终含有噪声的标签越来越少，当损失函数足够收敛时，即获得高质量的伪标签； 步骤7：给每个集群分配伪标签；将特征标记为{c1,c2,....,cN}，并存储在内存字典中，由于集群和伪标签总是在更新，因此N的数量也不断在改变；基于随机采样对每个聚类采样一个聚类特征； 步骤8：聚类特征初始化； 步骤9：特征更新； 步骤10：计算聚类对比损失； 步骤11：损失函数更新参数；循环训练模型，直到损失函数收敛； 步骤12：输入待识别图片，根据网络模型分类的结果，匹配出与输入模型最为相似的图片组，按相似度由高到底排列，完成识别。

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南京邮电大学，其通讯地址为：210023 江苏省南京市栖霞区文苑路9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。