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！

龙图腾网获悉浙江工业大学申请的专利一种基于联合检测和重识别的无锚实时多目标跟踪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：CN117437260B 。

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：202310198363.X，技术领域涉及：G06T7/246；该发明授权一种基于联合检测和重识别的无锚实时多目标跟踪方法是由产思贤;裘陈浩;白琮设计研发完成，并于2023-03-03向国家知识产权局提交的专利申请。

本一种基于联合检测和重识别的无锚实时多目标跟踪方法在说明书摘要公布了：一种基于联合检测和重识别的无锚实时多目标跟踪方法，包括：将实时视频输入到本发明的网络中，提取出高分辨率的特征映射，通过LSC注意力模块进行特征增强，将获得的特征图分别进行目标检测任务和重识别任务，并进行多目标跟踪。网络训练过程为：训练集视频帧作为网络输入，对每一帧中的分目标位置、边框偏移和外观特征进行预测，计算其对应的Loss并经过自学习损失函数平衡权重，最后根据计算出的损失来更新网络的参数。不断迭代训练，直到网络预测的精度可以达到一个稳定的水平。本发明的跟踪器采用两阶段跟踪方式，通过提出新的相似度矩阵，实现更好的跟踪效果。本发明的无锚单阶段多目标跟踪网络，实现了多目标跟踪的实时性和鲁棒性。

本发明授权一种基于联合检测和重识别的无锚实时多目标跟踪方法在权利要求书中公布了：1.一种基于联合检测和重识别的无锚实时多目标跟踪方法，其特征在于，通过构建深度学习模型进行检测和跟踪，所述的深度学习模型包括，特征提取骨干网络、LSC注意力模块、检测分支、重识别分支，具体实施步骤包括： S1；取已标注的图片输入特征提取骨干网络，得到由特征提取骨干网络输出的图片特征金字塔，所述特征提取骨干网络包括深度残差网络和变体DLA参数聚合方法； S2：将所述图片特征金字塔上下特征层分别进行上、下采样，将上下特征层调整为中间层特征的大小，形成特征向量，其中；将所述的特征向量，输入LSC注意力模块，得到特征增强后的特征向量；所述的LSC注意力模块包含三种注意力： 首先，尺度感知的注意力用于动态融合不同的特征，如公式1所示： 其中是一个线性函数，近似与1×1卷积层，是一个hard-sigmoid函数； 其次，基于融合特征的空间感知注意力用于关注空间位置和特征级别之间一致共存的区域，考虑到特征的高维度，分解为两步骤：首先通过对可变形卷积进行压缩，使注意力学习变得稀疏，然后在相同空间位置上对不同层次的特征进行聚合，如公式2所示： 其中，为稀疏采样位置的个数，为通过自学习空间偏移量来聚焦于判别区域的移位位置，为自学习的位置的重要性标量；两者都是从的中位水平输入特征中学习而来； 最后，任务意识的注意力，用于实现联合学习和归纳对象的不同表征，如公式3所示： 其中是第c通道的特征片，是一个学习控制激活函数阈值的超函数，首先在维上进行全局平均池化以降低维数，然后使用两个全连接层和一个归一化层，最后应用唯一sigmoid函数将输出归一化到[-1,1]； S3：将所述的特征向量输入所述的检测分支和重识别分支，分别得到位置信息和外观特征； S4：根据得到预测结果进行学习，并对检测分支和重识别分支进行损失监督，更新所述深度学习模型的网络参数； S5：取训练后最优的深度学习模型对图片的检测结果放入跟踪器中进行跟踪。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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。