CN110147709A - 车辆属性模型的训练方法、装置、终端及存储介质 - Google Patents

车辆属性模型的训练方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN110147709A
CN110147709A CN201811306036.7A CN201811306036A CN110147709A CN 110147709 A CN110147709 A CN 110147709A CN 201811306036 A CN201811306036 A CN 201811306036A CN 110147709 A CN110147709 A CN 110147709A
Authority
CN
China
Prior art keywords
sample
vehicle
image
sample set
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811306036.7A
Other languages
English (en)
Inventor
戴雨辰
郭晓威
余宗桥
张睿欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201811306036.7A priority Critical patent/CN110147709A/zh
Publication of CN110147709A publication Critical patent/CN110147709A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种车辆属性模型的训练方法、装置、终端及介质，其中方法包括：获取训练样本集，所述训练样本集包括第一样本集及第二样本集；采用所述第一样本集对车辆属性模型进行训练得到训练结果；按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；将所述困惑样本子集添加至所述第二样本集中，并采用添加后的第二样本集对所述车辆属性模型进行迭代训练以得到优化的车辆属性模型。本发明实施例可提高样本筛选的效率，以及可提高样本利用率以及优化的车辆属性模型的准确性。

Description

车辆属性模型的训练方法、装置、终端及存储介质
技术领域
本发明涉及互联网技术领域，具体涉及机器学习技术领域，尤其涉及一种车辆属性模型的训练方法、一种车辆属性模型的训练装置、一种终端及一种计算机存储介质。
背景技术
车辆属性模型是一种用于对指定车辆图像进行识别以确定指定车辆图像的车辆属性类别的模型，该指定车辆图像的车辆属性类别中可以包括颜色、车型以及车牌等属性信息。现有的车辆属性模型的训练方法主要包括如下过程：①获取训练样本集，并调用初始车辆属性模型对训练样本集进行识别预测，得到训练样本集中各样本车辆图像的预测类别；②由专业的标注人员将各样本车辆图像的预测类别和实际类别进行对比，将预测类别与实际类别不符的样本车辆图像作为错误样本并对错误样本进行标注；③采用错误样本对初始车辆属性模型进行训练，得到目标车辆属性模型。实践发现，上述的模型训练方法要求标注人员对大量的样本车辆图像的预测类别和实际类别进行对比，根据对比结果筛选错误样本，其样本筛选的效率较低；并且，只采用错误样本进行模型训练，忽略模型无法确定的困惑样本，其样本利用率较低，导致训练得到的目标车辆属性模型的准确性较低。
发明内容
本发明实施例提供了一种车辆属性模型的训练方法、装置、终端及计算机存储介质，可以提高样本筛选的效率，以及可提高样本利用率以及优化的车辆属性模型的准确性。
一方面，本发明实施例提供了一种车辆属性模型的训练方法，所述车辆属性模型的训练方法包括：
获取训练样本集，所述训练样本集包括第一样本集及第二样本集，所述第一样本集包括多个第一样本车辆图像，所述第二样本集包括多个第二样本车辆图像；
采用所述第一样本集对车辆属性模型进行训练得到训练结果，所述训练结果包括所述第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息；
按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；
将所述困惑样本子集添加至所述第二样本集中，并采用添加后的第二样本集对所述车辆属性模型进行迭代训练以得到优化的车辆属性模型。
另一方面，本发明实施例提供了一种车辆属性模型的训练装置，所述车辆属性模型的训练装置包括：
获取单元，用于获取训练样本集，所述训练样本集包括第一样本集及第二样本集，所述第一样本集包括多个第一样本车辆图像，所述第二样本集包括多个第二样本车辆图像；
处理单元，用于采用所述第一样本集对车辆属性模型进行训练得到训练结果，所述训练结果包括所述第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息；
归类单元，用于按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；
所述处理单元，用于将所述困惑样本子集添加至所述第二样本集中，并采用添加后的第二样本集对所述车辆属性模型进行迭代训练以得到优化的车辆属性模型。
再一方面，本发明实施例提供了一种终端，所述终端包括输入设备和输出设备，所述终端还包括：
处理器，适于实现一条或一条以上指令；以及，
计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由所述处理器加载并执行如下步骤：
获取训练样本集，所述训练样本集包括第一样本集及第二样本集，所述第一样本集包括多个第一样本车辆图像，所述第二样本集包括多个第二样本车辆图像；
采用所述第一样本集对车辆属性模型进行训练得到训练结果，所述训练结果包括所述第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息；
按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；
将所述困惑样本子集添加至所述第二样本集中，并采用添加后的第二样本集对所述车辆属性模型进行迭代训练以得到优化的车辆属性模型。
再一方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由处理器加载并执行如下步骤：
获取训练样本集，所述训练样本集包括第一样本集及第二样本集，所述第一样本集包括多个第一样本车辆图像，所述第二样本集包括多个第二样本车辆图像；
采用所述第一样本集对车辆属性模型进行训练得到训练结果，所述训练结果包括所述第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息；
按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；
将所述困惑样本子集添加至所述第二样本集中，并采用添加后的第二样本集对所述车辆属性模型进行迭代训练以得到优化的车辆属性模型。
本发明实施例可以获取训练样本集，该训练样本集包括第一样本集和第二样本集；采用第一样本集对车辆属性模型进行训练得到训练结果，按照训练结果将第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；将困惑样本子集添加至第二样本集中，并采用添加后的第二样本集对车辆属性模型进行迭代训练以得到优化的车辆属性模型。上述的模型训练过程中，可根据训练结果确定出困惑样本子集，提高了样本筛选的效率，节省了标注资源。采用添加困惑样本子集后的第二样本集对车辆属性模型进行迭代训练，可提高样本利用率；使得车辆属性模型可学习到困惑样本的特征，提高车辆属性模型的识别能力，进而提高优化的车辆属性模型的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种优化的车辆属性模型的应用场景图；
图2是本发明实施例提供的一种车辆属性模型的训练方法的流程示意图；
图3是本发明另一实施例提供的一种车辆属性模型的训练方法的流程示意图；
图4是本发明实施例提供的一种获取筛选阈值的流程示意图；
图5是本发明另一实施例提供的一种优化的车辆属性模型的应用场景图；
图6是本发明实施例提供的一种获取样本车牌图像的流程示意图；
图7是本发明实施例提供的一种图像风格转换的示意图；
图8是本发明实施例提供的一种车辆属性模型的训练装置的结构示意图；
图9是本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
属性是指事物性质与事物之间的关系的总称，所谓的事物性质可以包括事物的形状、颜色、气味、优劣、用途，等等。车辆属性则是指车辆性质与车辆之间的关系，此处的车辆性质可以包括但不限于：车辆颜色、车型以及车牌，等等；例如，车辆A的车辆属性为：红色，那么可以表示车辆A的车辆性质为：车辆颜色为红色；又如车辆B的车辆属性为：商务车，那么可以表示车辆B的车辆性质为：车型为商务车。根据车辆的一个或多个车辆属性可以确定该车辆的车辆属性类别，例如，车辆a具有红色和小轿车两个车辆属性，那么车辆a的车辆属性类别为：红色小轿车；又如车辆b具有黑色和渝B12345两个车辆属性，那么车辆b的车辆属性类别为：黑色，渝B12345。
在本发明实施例中，可以提供一种优化的车辆属性模型以获取较准确的车辆属性类别，以便于后续根据该车辆属性类别进行相应的业务处理，该业务处理可以包括但不限于：车主身份确认处理、车辆属性类别的输出处理，等等。该优化的车辆属性模型可以应用在交通监控场景中，如图1所示，当摄像头监控到某车辆闯红灯时，可以将该车辆作为被测车辆并拍摄该被测车辆的被测车辆图像。摄像头拍摄到被测车辆的被测车辆图像后，可以将该被测车辆图像发送至台式计算机等图像处理设备进行识别等处理。台式计算机在获取到被测车辆图像之后，可以调用优化的车辆属性模型对该被测车辆图像进行识别，得到被测车辆图像的车辆属性类别为：黑色小轿车、渝B12345。台式计算机可以在显示界面输出该被测车辆图像的车辆属性类别，以便于后续根据该被测车辆图像的车辆属性类别确定被测车辆的车主身份，从而对该被测车辆的车主进行违章处罚。
基于上述描述，本发明实施例提供一种车辆属性模型的训练方法，采用该车辆属性模型的训练方法可以训练得到上述描述中所提及的优化的车辆属性模型。该车辆属性模型的训练方法可以由终端执行，此处的终端可以包括但不限于：台式计算机、膝上计算机、平板计算机以及智能手机，等等。请参见图2，该车辆属性模型的训练方法可包括以下步骤S201-S204：
S201，获取训练样本集，该训练样本集包括第一样本集及第二样本集。
终端可以从交通监控系统中获取大量的车辆图像，该大量的车辆图像可以是由交通监控系统中的一个或多个摄像头对道路上的车辆进行拍摄得到。终端可以将从交通监控系统中获取到的车辆图像作为样本车辆图像并添加至训练样本集中，该训练样本集可以包括多个样本集，每个样本集中均可包括多个样本车辆图像。
在获取到训练样本集之后，可以将训练样本集的至少两个样本集中的任意一个样本集作为第一样本集，并在训练样本集除第一样本集之外的剩余样本集中选取任意一个样本集作为第二样本集，该第一样本集可以包括多个第一样本车辆图像，第二样本集可以包括多个第二样本车辆图像。
S202，采用第一样本集对车辆属性模型进行训练得到训练结果，该训练结果包括第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息。
车辆属性模型可以是一种基于深度神经网络的网络模型，该网络模型至少包括卷积层以及全连接层，此处的深度神经网络可以包括但不限于：MobileNet-V1网络、MobileNet-V2网络，等等。在采用第一样本集对车辆属性模型进行训练得到训练结果的过程中，可以将第一样本集输入至车辆属性模型。车辆属性模型在接收到第一样本集之后，可以通过卷积层提取第一样本集中的各第一样本车辆图像的图像特征，该图像特征可以包括图像的颜色特征、纹理特征、形状特征和空间关系特征。其中，颜色特征和纹理特征均是一种全局特征，描述了图像或图像区域所对应的景物的表面性质；形状特征包括轮廓特征和区域特征，轮廓特征用于区分图像中的物体的外边界，区域特征用于表示图像的整个形状区域；空间关系特征用于表示图像中分割出的多个物体之间的相互的空间位置或相对方向的关系。
在提取出第一样本集中的各第一样本车辆图像的图像特征之后，车辆属性模型可以深度学习这些图像特征以进行网络训练。在训练的过程中，还可以通过全连接层将提取到的图像特征降维到至少一个车辆属性类别，然后采用激活函数将降维得到的至少一个车辆属性类别激活成相应的概率，以得到各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息，即概率分布信息包括第一样本图像属于各个车辆属性类别的概率。其中，车辆属性模型所采用的激活函数包括但不限于：Softmax函数(归一化指数函数)、Sigmoid函数，等等。
S203，按照训练结果将第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集。
由于概率分布信息包括第一样本图像属于各个车辆属性类别的概率，因此可以根据各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息确定各第一样本车辆图像的置信度、置信度差或者信息熵等信息。其中，置信度是指概率分布信息中的最大概率；置信度差值是指概率分布信息中最大概率和次大概率之间的差值，所谓的次大概率是指概率分布信息中按照概率值从高到低的顺序排序，排序第二的概率，例如概率分布信息中包括4个概率，分别是：0.5、0.2、0.25、0.05，按照从高到低的顺序排序为：0.5>0.25>0.2>0.05，那么最大概率为0.5，次大概率为0.25；信息熵用于表示第一样本车辆图像包含的信息量的多少，信息熵越大，则第一样本车辆图像包含的信息量越多。
在确定了各第一样本车辆图像的置信度、置信度差值或者信息熵之后，可以根据置信度、置信度差值或者信息熵将各第一样本车辆图像分别归类至确定样本子集和困惑样本子集。其中，确定样本子集包括的样本车辆图像为确定样本，所谓的确定样本是指车辆属性模型可以准确地根据概率分布信息确定出车辆属性类别的样本车辆图像；困惑样本子集包括的样本车辆图像为困惑样本，所谓的困惑样本是指车辆属性模型无法准确地根据概率分布信息确定出车辆属性类别的样本车辆图像。
S204，将困惑样本子集添加至第二样本集中，并采用添加后的第二样本集对车辆属性模型进行迭代训练以得到优化的车辆属性模型。
由于困惑样本子集中的困惑样本均是车辆属性模型无法根据概率分布信息确定出车辆属性类别的样本车辆图像，也就是说，此时的车辆属性模型无法较好地学习到困惑样本子集中的各第一样本车辆图像的图像特征，因此需要再采用该困惑样本子集对车辆属性模型进行训练，使得训练后的车辆属性模型可以较好地学习到困惑样本子集中的各第一样本车辆图像的图像特征，从而可以较准确地确定出困惑样本子集中的各第一样本车辆图像的车辆属性类别。因此，在将第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集之后，可以将困惑样本子集添加至第二样本集中，并采用添加后的第二样本集对车辆属性模型进行迭代训练以得到优化的车辆属性模型。
本发明实施例可以获取训练样本集，该训练样本集包括第一样本集和第二样本集；采用第一样本集对车辆属性模型进行训练得到训练结果，按照训练结果将第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；将困惑样本子集添加至第二样本集中，并采用添加后的第二样本集对车辆属性模型进行迭代训练以得到优化的车辆属性模型。上述的模型训练过程中，可根据训练结果确定出困惑样本子集，提高了样本筛选的效率，节省了标注资源。采用添加困惑样本子集后的第二样本集对车辆属性模型进行迭代训练，可提高样本利用率；使得车辆属性模型可学习到困惑样本的特征，提高车辆属性模型的识别能力，进而提高优化的车辆属性模型的准确性。
请参见图3，是本发明实施例提供的另一种车辆属性模型的训练方法的流程示意图。该车辆属性模型的训练方法可以由终端执行。请参见图3，该车辆属性模型的训练方法可包括以下步骤S301-S306：
S301，获取训练样本集。
如前述，终端可以从交通监控系统中获取大量的车辆图像，并将获取到的车辆图像作为样本车辆图像并添加至训练样本集，该训练样本集包括第一样本集及第二样本集，第一样本集包括多个第一样本车辆图像，第二样本集包括多个第二样本车辆图像。
在一种实施方式中，训练样本集中还可包括样本车牌图像，该样本车牌图像可以用于训练车辆属性模型的车牌属性识别能力。但是针对比较稀缺的车牌(例如双层黄牌、白牌)，其样本车牌图像的采集难度较大，因此本发明实施还提供一种优化的图像转换处理模型以实现样本车牌图像的获取。相应的，本发明实施例还可以先按照车牌生成规则生成初始车牌图像；再调用优化的图像转换处理模型对初始车牌图像进行图像风格转换，得到目标车牌图像，其中，图像转换处理模型包括两个生成式对抗网络，优化的图像转换处理模型是通过两个生成式对抗网络的机器学习对图像转换处理模型进行优化得到的；将目标车牌图像作为样本车牌图像并添加至训练样本集。
S302，采用第一样本集对车辆属性模型进行训练得到训练结果，该训练结果包括第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息。
具体实施过程中，可以从第一样本集中选取目标第一样本车辆图像，该目标第一样本车辆图像为第一样本集中的任一个第一样本车辆图像；然后调用车辆属性模型识别目标第一样本车辆图像的车辆属性以预测目标第一样本车辆图像属于各个车辆属性类别的概率；其中，目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息包括目标第一样本图像属于各个车辆属性类别的概率。
S303，按照训练结果将第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集。
具体的，可以获取筛选阈值，该筛选阈值可以为：置信度阈值、置信度差值阈值或者信息熵阈值；然后根据该筛选阈值和目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将目标第一样本车辆图像归类至确定样本子集或困惑样本子集。
在一种实施方式中，筛选阈值为置信度阈值，则获取筛选阈值的方法可以参见图4，其具体实施方式可以包括如下步骤s11-s15：
s11，获取阈值搜索验证集。
此处的阈值搜索验证集可以包括确定样本验证集和困惑样本验证集，所述确定样本验证集包括多个确定车辆图像，每个确定车辆图像均为确定样本，所述困惑样本验证集包括多个困惑车辆图像，每个困惑车辆图像均为困惑样本。
s12，获取确定样本验证集中各确定车辆图像的置信度，以及困惑样本验证集中各困惑车辆图像的置信度。
具体的，可以在获取确定样本验证集中各确定车辆图像的置信度时，可以调用车辆属性模型对确定样本验证集中的各确定车辆图像进行识别，得到各确定车辆图像在至少一个车辆属性类别中的概率分布信息；针对任意一个确定车辆图像，从该任意一个确定车辆图像在至少一个车辆属性类别中的概率分布信息中选取最大概率作为任意一个确定车辆图像的置信度。
同理，在获取困惑样本验证集中各困惑车辆图像的置信度时，可以调用车辆属性模型对困惑样本验证集中的各困惑车辆图像进行识别，得到各困惑车辆图像在至少一个车辆属性类别中的概率分布信息；针对任意一个困惑车辆图像，从该任意一个困惑车辆图像在至少一个车辆属性类别中的概率分布信息中选取最大概率作为任意一个困惑车辆图像的置信度。
s13，获取第一预设阈值。
在一种实施方式中，可以任意选取一个阈值作为第一预设阈值。再一种实施方式中，可以将阈值搜索验证集中的所有车辆图像(包括困惑车辆图像和确定车辆图像)的置信度进行降序排列，得到第一排序结果，并根据第一排序结果确定第一预设阈值。例如，阈值搜索验证集中的确定样本验证集包括3个确定车辆图像，其置信度分别是：确定车辆图像a(0.8)、确定车辆图像b(0.5)、确定车辆图像c(0.7)；困惑样本验证集包括3个困惑车辆图像，其置信度分别是：困惑车辆图像d(0.6)、困惑车辆图像e(0.4)、困惑车辆图像f(0.3)，将所有车辆图像的置信度进行降序排列，得到的第一排序结果为：确定车辆图像a(0.8)>确定车辆图像c(0.7)>困惑车辆图像d(0.6)>确定车辆图像b(0.5)>困惑车辆图像e(0.4)>困惑车辆图像f(0.3)。以该第一排序结果作为参考，随机选取一个阈值作为第一预设阈值，例如可以随机选取一个车辆图像的置信度作为第一预设阈值；也可以随机选取两个车辆图像的置信度的平均值作为第一预设阈值，如选取困惑车辆图像d和确定车辆图像b的置信度的平均值作为第一预设阈值，即第一预设阈值可以取值为0.55，等等。
s14，根据该第一预设阈值和各确定车辆图像的置信度计算确定样本验证集的准确率，以及根据该第一预设阈值和各困惑车辆图像的置信度计算困惑样本验证集的准确率。
在根据该第一预设阈值和各确定车辆图像的置信度计算确定样本验证集的准确率时，可以先根据第一预设阈值和各确定车辆图像的置信度对各确定车辆图像的样本类型进行预测，确定各确定车辆图像为预测的确定样本还是预测的困惑样本。具体的，针对任一个确定车辆图像，比较第一预设阈值和任一个确定车辆图像的置信度，若置信度大于第一预设阈值，则该任一个确定车辆图像为预测的确定样本；若置信度不大于第一预设阈值，则该任一个确定车辆图像为预测的困惑样本。然后计算所有预测的确定样本的数量与确定样本验证集的确定车辆图像的总数量的比值，将该比值作为确定样本验证集的准确率。
例如，确定样本验证集包括3个确定车辆图像，其置信度分别是：确定车辆图像a(0.8)、确定车辆图像b(0.5)、确定车辆图像c(0.7)，第一预设阈值为0.6，那么通过比较各确定车辆图像与第一预设阈值的大小可知，确定车辆图像a为预测的确定样本，确定车辆图像b为预测的困惑样本，确定车辆图像c为预测的确定样本，即所有预测的确定样本的数量为2。而确定样本验证集的确定车辆图像的总数量为3，那么确定样本验证集的准确率等于2/3＝66.7％。
同理，在根据该第一预设阈值和各困惑车辆图像的置信度计算困惑样本验证集的准确率时，可以先根据第一预设阈值和各困惑车辆图像的置信度对各困惑车辆图像的样本类型进行预测，确定各困惑车辆图像为预测的确定样本还是预测的困惑样本。然后计算所有预测的困惑样本的数量与困惑样本验证集的困惑车辆图像的总数量的比值，将该比值作为困惑样本验证集的准确率。
s15，若确定样本验证集的准确率与困惑样本验证集的准确率之间的差值大于预设差值，则将第一预设阈值作为筛选阈值。
在得到确定样本验证集的准确率与困惑样本验证集的准确率之后，可以计算确定样本验证集的准确率与困惑样本验证集的准确率之间的差值。然后将计算得到的差值与预设差值进行比较，若计算得到的差值大于预设差值，则可以将该第一预设阈值作为筛选阈值；若计算得到的差值不大于预设差值，则可以跳转至步骤s13，即继续执行步骤s13-s15。需要说明的是，此处的预设差值可以根据实际的业务需求设置，例如选取20％。
通过步骤s11-s15确定筛选阈值之后，可以根据筛选阈值和目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将目标第一样本车辆图像归类至确定样本子集或困惑样本子集，其具体实施方式可以为：从目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息中选择最大概率作为目标第一样本车辆图像的置信度；若置信度大于筛选阈值，则将目标第一样本车辆图像归类至确定样本子集；若置信度不大于筛选阈值，则将目标第一样本车辆图像归类至困惑样本子集。
再一种实施方式中，筛选阈值为置信度差值阈值，则获取筛选阈值的具体实施方式可以包括如下步骤s21-s25：
s21，获取阈值搜索验证集。
s22，获取确定样本验证集中各确定车辆图像的置信度差值，以及困惑样本验证集中各困惑车辆图像的置信度差值。
具体的，可以在获取确定样本验证集中各确定车辆图像的置信度差值时，可以获取各确定车辆图像在至少一个车辆属性类别中的概率分布信息；针对任意一个确定车辆图像，从该任意一个确定车辆图像在至少一个车辆属性类别中的概率分布信息中选取最大概率和次大概率；将该任意一个确定车辆图像的最大概率和次大概率的差值作为该任意一个确定车辆图像的置信度差值。获取困惑样本验证集中各困惑车辆图像的置信度差值的方法可以参见上述获取确定车辆图像的置信度差值的方法，在此不再赘述。
s23，获取第二预设阈值。
在一种实施方式中，可以任意选取一个阈值作为第二预设阈值。再一种实施方式中，可以将阈值搜索验证集中的所有车辆图像(包括困惑车辆图像和确定车辆图像)的置信度差值进行降序排列，得到第二排序结果，并根据第二排序结果确定第二预设阈值。具体的，可以参考第二排序结果，随机选取一个阈值作为第二预设阈值，例如可以随机选取一个车辆图像的置信度差值作为第二预设阈值；也可以随机选取两个车辆图像的置信度差值的平均值作为第二预设阈值，等等。
s24，根据该第二预设阈值和各确定车辆图像的置信度差值计算确定样本验证集的准确率，以及根据该第二预设阈值和各困惑车辆图像的置信度差值计算困惑样本验证集的准确率。
在根据该第二预设阈值和各确定车辆图像的置信度差值计算确定样本验证集的准确率时，可以先根据第二预设阈值和各确定车辆图像的置信度差值对各确定车辆图像的样本类型进行预测，确定各确定车辆图像为预测的确定样本还是预测的困惑样本。具体的，针对任一个确定车辆图像，比较第二预设阈值和任一个确定车辆图像的置信度差值，若置信度差值大于第二预设阈值，则说明车辆属性模型可以较准确地识别出该确定车辆图像的车辆属性类别，即该任一个确定车辆图像为预测的确定样本；若置信度差值不大于第二预设阈值，则说明车辆属性模型无法较准确地识别出该确定车辆图像的车辆属性类别，即该任一个确定车辆图像为预测的困惑样本。然后计算所有预测的确定样本的数量与确定样本验证集的确定车辆图像的总数量的比值，将该比值作为确定样本验证集的准确率。同理，计算困惑样本验证集的准确率的方法可以参见上述计算确定样本验证集的准确率的方法，在此不再赘述。
s25，若确定样本验证集的准确率与困惑样本验证集的准确率之间的差值大于预设差值，则将第二预设阈值作为筛选阈值。
通过步骤s21-s25确定筛选阈值之后，可以根据筛选阈值和目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将目标第一样本车辆图像归类至确定样本子集或困惑样本子集，其具体实施方式可以为：获取目标第一样本车辆图像的置信度差值，该置信度差值为目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息中最大概率与次大概率之间的差值；若置信度差值大于筛选阈值，则将目标第一样本车辆图像归类至确定样本子集；若置信度差值不大于筛选阈值，则将目标第一样本车辆图像归类至困惑样本子集。
再一种实施方式中，筛选阈值为信息熵阈值，则获取筛选阈值的具体实施方式可以包括如下步骤s31-s35：
s31，获取阈值搜索验证集。
s32，获取确定样本验证集中各确定车辆图像的信息熵，以及困惑样本验证集中各困惑车辆图像的信息熵。
具体的，可以在获取确定样本验证集中各确定车辆图像的信息熵时，可以获取各确定车辆图像在至少一个车辆属性类别中的概率分布信息；针对任意一个确定车辆图像，将该任意一个确定车辆图像属于各个车辆属性类别的概率代入预设的信息熵计算公式中，以计算得到该任意一个确定车辆图像的信息熵H。在一个实施例中，预设的信息熵计算公式可以如式1.1所示：
其中，n的取值等于车辆属性类别的数量，pi为车辆图像属于任一个车辆属性类别的概率。同理，获取困惑样本验证集中各困惑车辆图像的信息熵的方法可以参见上述获取确定车辆图像的信息熵的方法，在此不再赘述。
s33，获取第三预设阈值。
在一种实施方式中，可以任意选取一个阈值作为第三预设阈值。再一种实施方式中，可以将阈值搜索验证集中的所有车辆图像(包括困惑车辆图像和确定车辆图像)的信息熵进行降序排列，得到第三排序结果，并根据第三排序结果确定第三预设阈值。具体的，可以参考第三排序结果，随机选取一个阈值作为第三预设阈值，例如可以随机选取一个车辆图像的信息熵作为第三预设阈值；也可以随机选取两个车辆图像的信息熵的平均值作为第三预设阈值，等等。
s34，根据该第三预设阈值和各确定车辆图像的信息熵计算确定样本验证集的准确率，以及根据该第三预设阈值和各困惑车辆图像的信息熵计算困惑样本验证集的准确率。
在根据该第三预设阈值和各确定车辆图像的信息熵计算确定样本验证集的准确率时，可以先根据第三预设阈值和各确定车辆图像的信息熵对各确定车辆图像的样本类型进行预测，确定各确定车辆图像为预测的确定样本还是预测的困惑样本。由于信息熵可表示车辆图像包含的信息量的多少，信息熵越大，该车辆图像包含的信息量越多。而实践表明，信息量越多的车辆图像对于模型训练越有帮助，因此本发明实施例将信息熵较大的车辆图像认为是困惑样本。
具体的，针对任一个确定车辆图像，比较第三预设阈值和任一个确定车辆图像的信息熵，若信息熵小于第三预设阈值，则该任一个确定车辆图像为预测的确定样本；若信息熵不小于第三预设阈值，则该任一个确定车辆图像为预测的困惑样本。然后计算所有预测的确定样本的数量与确定样本验证集的确定车辆图像的总数量的比值，将该比值作为确定样本验证集的准确率。同理，计算困惑样本验证集的准确率的方法可以参见上述计算确定样本验证集的准确率的方法，在此不再赘述。
s35，若确定样本验证集的准确率与困惑样本验证集的准确率之间的差值大于预设差值，则将第三预设阈值作为筛选阈值。
通过步骤s31-s35确定筛选阈值之后，可以根据筛选阈值和目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将目标第一样本车辆图像归类至确定样本子集或困惑样本子集，其具体实施方式可以为：根据目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息确定目标第一样本车辆图像的信息熵；若信息熵小于筛选阈值，则将目标第一样本车辆图像归类至确定样本子集；若信息熵不小于筛选阈值，则将目标第一样本车辆图像归类至困惑样本子集。
S304，将困惑样本子集添加至第二样本集中，并采用添加后的第二样本集对车辆属性模型进行迭代训练以得到优化的车辆属性模型。
在将困惑样本子集添加至第二样本集中时，可以通过专业的标注人员对困惑样本子集中的一个或多个第一样本车辆图像进行标注，标注该一个或多个第一样本车辆图像的车辆属性类别。然后将标注后的一个或多个第一样本车辆图像添加至第二样本集中，并采用添加后的第二样本集对车辆属性模型进行迭代训练以得到优化的车辆属性模型。由此可见，本发明实施例只需标注人员对困惑样本子集中的第一样本车辆图像进行标注，无需对训练样本集中的所有样本车辆图像进行比对并标注，可在一定程度上节省标注资源，提高标注效率。
具体的，可以将添加后的第二样本集输入至车辆属性模型中，车辆属性模型可以学习添加后的第二样本集中的各样本车辆图像(包括标注后的第一样本车辆图像和第二样本车辆图像)的图像特征，并对添加后的第二样本集中的各样本车辆图像进行车辆属性的识别，得到概率分布信息。车辆属性模型根据该概率分布信息确定添加后的第二样本集中的各样本车辆图像的车辆属性类别，将预测得到的车辆属性类别和标注的车辆属性类别进行比对，根据比对结果调整模型参数以优化车辆属性模型。
同时，车辆属性模型还可以根据概率分布信息将添加后的第二样本集中的各样本车辆图像归类至确定样本子集和困惑样本子集以更新确定样本子集和困惑样本子集；从训练样本集中重新选取一个新的第二样本集，并将更新后的困惑样本子集添加至新的第二样本集中，采用添加后的新的第二样本集对车辆属性模型进行训练。不断地重复上述过程以实现对车辆属性模型的迭代训练，直至车辆属性模型可以较准确地识别出训练样本集中各样本车辆图像的车辆属性类别或者车辆属性模型的损失函数的值满足预设条件，此时的车辆属性模型为优化的车辆属性模型。其中，预设条件可以是车辆属性模型的损失函数的值最小，或者车辆属性模型的损失函数的值小于预设损失值。
S305，若获取到被测车辆图像，则调用优化的车辆属性模型对被测车辆图像进行识别，得到被测车辆图像的车辆属性类别。
S306，输出被测车辆图像的车辆属性类别。
步骤S305-S306中的被测车辆图像可以包括但不限于：交通监控系统的摄像头拍摄的车辆图像或者终端的摄像组件拍摄的车辆图像，以及浏览器的用户界面中所显示的车辆图像，等等。
在一种实施方式中，被测车辆图像为交通监控系统的摄像头拍摄的车辆图像。对应的应用场景为：交通监控系统中的摄像头可以实时监控道路上的车辆是否违章行驶，若检测到违章车辆，则可以将该违章车辆作为被测车辆，并拍摄该被测车辆的被测车辆图像，将该被测车辆图像发送至终端。终端若从交通监控系统中获取到该被测车辆图像，则可以调用优化的车辆属性模型对被测车辆图像进行识别，得到被测车辆图像的车辆属性类别，并输出该车辆属性类别。具体的，可以调用优化的车辆属性模型对被测车辆图像进行识别，得到被测车辆图像属于各个车辆属性类别的概率，将最大概率所对应的车辆属性类别作为该被测车辆图像的车辆属性类别。
再一种实施方式中，被测车辆图像为终端的摄像组件拍摄的车辆图像。对应的应用场景为：用户若想要知道道路上某车辆的车辆属性类别，则可以使用终端的摄像组件对该车辆进行拍摄得到该车辆的车辆图像，此时终端可以将摄像组件拍摄得到的车辆图像作为被测车辆图像，并调用优化的车辆属性模型对被测车辆图像进行识别，得到被测车辆图像的车辆属性类别，并输出该车辆属性类别。
再一种实施方式中，被测车辆图像为浏览器的用户界面中所显示的车辆图像。对应的应用场景可以参见图5所示：用户在浏览浏览器的网页内容时，若想要知道浏览器的用户界面中显示的车辆图像的车辆属性类别，则可以向终端输入图像识别指令，该图像识别指令可以包括：对该车辆图像的按压指令、点击指令、语音指令等，此时终端可以将浏览器的用户界面中显示的车辆图像作为被测车辆图像。然后调用优化的车辆属性模型对被测车辆图像进行识别，得到被测车辆图像的车辆属性类别，并输出该车辆属性类别。
本发明实施例可以获取训练样本集，该训练样本集包括第一样本集和第二样本集；采用第一样本集对车辆属性模型进行训练得到训练结果，按照训练结果将第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；将困惑样本子集添加至第二样本集中，并采用添加后的第二样本集对车辆属性模型进行迭代训练以得到优化的车辆属性模型。上述的模型训练过程中，可根据训练结果确定出困惑样本子集，提高了样本筛选的效率，节省了标注资源。采用添加困惑样本子集后的第二样本集对车辆属性模型进行迭代训练，可提高样本利用率；使得车辆属性模型可学习到困惑样本的特征，提高车辆属性模型的识别能力，进而提高优化的车辆属性模型的准确性。
由上述图3所示的实施例可知，训练样本集中还可包括样本车牌图像，该样本车牌图像可以通过调用优化的图像转换处理模型对初始车牌图像进行图像风格转换得到。为了详细阐述如何获取样本车牌图像，本发明实施例提供了如图6所示的获取样本车牌图像的流程示意图。如图6所示，获取样本车牌图像的方法可以包括如下步骤S601-S603：
S601，按照车牌生成规则生成初始车牌图像。
具体实施过程中，可以先选取车牌模板和车牌号码，并按照车牌生成规则在车牌模板上填充该车牌号码；此处的车牌模板可以包括但不限于：双层黄牌模板、单层黄牌模板、双层蓝牌模板、单层蓝牌模板、单层白牌模板，等等；此处的车牌生成规则可以包括：车牌号码在车牌模板中的位置规则、车牌号码与车牌模板之间的比例规则，等等。终端可以随机选取一个车牌模板以及车牌号码，然后按照位置规则以及比例规则，在车牌模板上填充该车牌号码。然后将填充后的车牌模板进行预处理，并将预处理后的车牌模板添加至背景图像，得到初始车牌图像，此处的预处理包括：投影处理和/或旋转处理。
S602，调用优化的图像转换处理模型对初始车牌图像进行图像风格转换，得到目标车牌图像。
其中，图像转换处理模型包括两个生成式对抗网络，如图6所示，生成网络G和判别网络DY构成第一生成式对抗网络，生成网络F和判别网络DX构成第二生成式对抗网络。优化的图像转换处理模型是通过两个生成式对抗网络的机器学习对图像转换处理模型进行优化得到的。在一个实施例中，图像转换处理模型可以是基于CycleGAN网络的模型，也可以是基于DiscoGAN网络的模型，还可以是基于DualGAN网络的模型，本发明实施例以图像转换处理模型是基于CycleGAN网络的模型为例。
在通过步骤S601生成初始车牌图像之后，可以调用优化的图像转换处理模型对该初始车牌图像进行图像风格转换，得到目标车牌图像；所谓的图像风格转换是指不改变图像的内容，只对图像的风格进行转换。例如：如图7所示，初始车牌图像的图像风格为“崭新”，对该初始车牌图像进行图像风格转换后，得到的目标车牌图像的图像风格变为了“陈旧”，但是该目标车牌图像中的图像内容并未发生变化。
为了得到上述的优化的图像转换处理模型，本发明实施例还可以获取样本数据集，该样本数据集可以包括：待进行风格转换的原始车牌图像，以及作为基准图像风格的基准车牌图像，即原始车牌图像的图像风格与基准车牌图像的图像风格不同。其中，该原始车牌图像和基准车牌图像均可通过收集摄像头拍摄的真实的车牌图像获取到。在一种实施方式中，原始车牌图像还可以采用步骤S601的方法获取。然后可以将样本数据集输入至图像转换处理模型中，以使得图像转换处理模型中的两个生成式对抗网络可以根据该样本数据集进行机器学习，从而实现对图像转换处理模型的优化，得到优化的图像转换处理模型。
具体的，将样本数据集输入至图像转换处理模型后，可以将样本数据集中的任意原始车牌图像X作为训练样本X，以及将任意基准车牌图像Y作为训练样本Y。由此可见，本发明实施例不需要将原始车牌图像和基准车牌图像进行配对处理以得到训练样本X和训练样本Y，只需任意选取一原始车牌图像X和一基准车牌图像Y分别作为训练样本X和训练样本Y即可，降低了训练样本的收集难度，样本的扩展性较高。图像转换处理模型中的第一生成式对抗网络中的生成网络G可以学习基准车牌图像Y的图像风格，然后根据学习到的图像风格对该原始车牌图像X进行正向的图像风格转换，得到转换后的图像Y’。并将转换后的图像Y’和基准车牌图像Y输入至第一生成式对抗网络中的判别网络DY进行判别处理；判别网络DY可以判别该图像Y’是样本数据集中的基础车牌图像还是生成网络G生成的图像并可得到第一判别结果。判别网络DY可以根据该第一判别结果调整判别网络DY的网络参数以提高自身的判别能力，生成网络G可以根据该第一判别结果调整生成网络G的网络参数以提高自身的生成能力。
为了避免生成网络G将不同的原始车牌图像生成同一个基准车牌图像，因此引入第二生成式对抗网络。第二生成式对抗网络中的生成网络F可以对生成网络G生成的图像Y’进行反向的图像风格转换，得到转换后的图像X’。并将转换后的图像X’和原始车牌图像X输入至第二生成式对抗网络中的判别网络DX进行判别处理；判别网络DX可以判别该图像X’是样本数据集中的原始车牌图像X还是生成网络F生成的图像并可得到第二判别结果。判别网络DX可以根据该第二判别结果调整判别网络DX的网络参数以提高自身的判别能力，生成网络F可以根据该第二判别结果调整生成网络F的网络参数以提高自身的生成能力。
在上述图像风格转换的过程中，转换后的图像X’应该与原始车牌图像X相同，因此应该保证生成网络G和生成网络F的损失函数的值相等，即保证循环一致性损失。因此，图像转换处理模型的损失函数中包括该循环一致性损失。由于图像风格转换是指不改变图像的内容，只对图像的风格进行转换，为了保证图像风格转换的同时，尽可能保证车牌图像中的车牌号码不受图像风格转换而改变，本发明实施例提高了循环一致性损失在损失函数中的权重值，使得循环一致性损失的权重值大于预设阈值。
在图像转换处理模型的训练优化过程中，利用生成式对抗网络的机器学习的学习机制，使得生成式对抗网络可以自主学习到真实的车牌图像(基准车牌图像)的图像风格，然后根据学习到的图像风格对原始车牌图像进行图像风格转换，可以使得转换后的车牌图像更加贴近于真实的车牌图像。
S603，将目标车牌图像作为样本车牌图像并添加至训练样本集。
本发明实施例首先按照车牌生成规则生成初始车牌图像，然后调用优化的图像转换处理模型对初始车牌图像进行图像风格转换，将真实的车牌图像的图像风格融入到初始车牌图像中，使得目标车牌图像具有真实车牌图像的图像风格。将目标车牌图像作为样本车牌图像添加至训练样本集中，可以为车辆属性模型提高训练样本，无需人为搜集大量的车牌图像，节省了人力资源，提高效率。
基于上述车辆属性模型的训练方法实施例的描述，本发明实施例还提供一种车辆属性模型的训练装置，所述车辆属性模型的训练装置可以是运行于终端中的一个计算机程序(包括程序代码)，也可以是包含在终端中的一个实体装置。该车辆属性模型的训练装置可以实行图2或者图3所示的方法。请参见图8，该车辆属性模型的训练装置可以运行如下单元：
获取单元101，用于获取训练样本集，所述训练样本集包括第一样本集及第二样本集，所述第一样本集包括多个第一样本车辆图像，所述第二样本集包括多个第二样本车辆图像；
处理单元102，用于采用所述第一样本集对车辆属性模型进行训练得到训练结果，所述训练结果包括所述第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息；
归类单元103，用于按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；
所述处理单元102，用于将所述困惑样本子集添加至所述第二样本集中，并采用添加后的第二样本集对所述车辆属性模型进行迭代训练以得到优化的车辆属性模型。
在一种实施方式中，所述处理单元102在用于采用所述第一样本集对车辆属性模型进行训练得到训练结果时，具体用于：
从所述第一样本集中选取目标第一样本车辆图像，所述目标第一样本车辆图像为所述第一样本集中的任一个第一样本车辆图像；
调用所述车辆属性模型识别所述目标第一样本车辆图像的车辆属性以预测所述目标第一样本车辆图像属于各个车辆属性类别的概率；
其中，所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息包括所述目标第一样本图像属于所述各个车辆属性类别的概率。
再一种实施方式中，所述归类单元103在用于按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集时，具体用于：
获取筛选阈值；
根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集。
再一种实施方式中，所述归类单元103在用于根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集时，具体用于：
从所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息中选择最大概率作为所述目标第一样本车辆图像的置信度；
若所述置信度大于所述筛选阈值，则将所述目标第一样本车辆图像归类至确定样本子集；
若所述置信度不大于所述筛选阈值，则将所述目标第一样本车辆图像归类至困惑样本子集。
再一种实施方式中，所述归类单元103在用于根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集时，具体用于：
获取所述目标第一样本车辆图像的置信度差值，所述置信度差值为所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息中最大概率与次大概率之间的差值；
若所述置信度差值大于所述筛选阈值，则将所述目标第一样本车辆图像归类至确定样本子集；
若所述置信度差值不大于所述筛选阈值，则将所述目标第一样本车辆图像归类至困惑样本子集。
再一种实施方式中，所述归类单元103在用于根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集时，具体用于：
根据所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息确定所述目标第一样本车辆图像的信息熵；
若所述信息熵小于所述筛选阈值，则将所述目标第一样本车辆图像归类至确定样本子集；
若所述信息熵不小于所述筛选阈值，则将所述目标第一样本车辆图像归类至困惑样本子集。
再一种实施方式中，处理单元102还可用于：
若获取到被测车辆图像，则调用所述优化的车辆属性模型对所述被测车辆图像进行识别，得到所述被测车辆图像的车辆属性类别；
输出所述被测车辆图像的车辆属性类别。
再一种实施方式中，所述训练样本集包括样本车牌图像；相应的，所述处理单元102还可用于：
按照车牌生成规则生成初始车牌图像；
调用优化的图像转换处理模型对所述初始车牌图像进行图像风格转换，得到目标车牌图像，其中，所述图像转换处理模型包括两个生成式对抗网络，所述优化的图像转换处理模型是通过所述两个生成式对抗网络的机器学习对所述图像转换处理模型进行优化得到的；
将所述目标车牌图像作为样本车牌图像并添加至所述训练样本集。
再一种实施方式中，所述处理单元102在用于按照车牌生成规则生成初始车牌图像时，具体用于：
选取车牌模板和车牌号码，并按照车牌生成规则在所述车牌模板上填充所述车牌号码；
将填充后的车牌模板进行预处理，并将预处理后的车牌模板添加至背景图像，得到初始车牌图像，所述预处理包括：投影处理和/或旋转处理。
再一种实施方式中，所述图像转换处理模型的损失函数包括循环一致性损失，所述循环一致性损失的权重值大于预设阈值。
根据本发明的一个实施例，图2和图3所示的方法所涉及的各个步骤均可以是由图8所示的车辆属性模型的训练装置中的各个单元来执行的。例如，图2中所示的步骤S201-S203可以分别由图8中所示的获取单元101、处理单元102以及归类单元103来执行，步骤S204可由处理单元102来执行；又如，图3中所示的步骤S301-S303可以分别由图8中所示的获取单元101、处理单元102以及归类单元103来执行，步骤S304-S306可由处理单元102来执行；再如，图6中所示的步骤S601-S603可由处理单元102来执行。
根据本发明的另一个实施例，图8所示的车辆属性模型的训练装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本发明的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本发明的其它实施例中，车辆属性模型的训练装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。
根据本发明的另一个实施例，可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2或图3中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造如图8中所示的车辆属性模型的训练装置设备，以及来实现本发明实施例的车辆属性模型的训练方法。所述计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算设备中，并在其中运行。
本发明实施例可以获取训练样本集，该训练样本集包括第一样本集和第二样本集；采用第一样本集对车辆属性模型进行训练得到训练结果，按照训练结果将第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；将困惑样本子集添加至第二样本集中，并采用添加后的第二样本集对车辆属性模型进行迭代训练以得到优化的车辆属性模型。上述的模型训练过程中，可根据训练结果确定出困惑样本子集，提高了样本筛选的效率，节省了标注资源。采用添加困惑样本子集后的第二样本集对车辆属性模型进行迭代训练，可提高样本利用率；使得车辆属性模型可学习到困惑样本的特征，提高车辆属性模型的识别能力，进而提高优化的车辆属性模型的准确性。
基于上述方法实施例以及装置实施例的描述，本发明实施例还提供一种终端。请参见图9，该终端至少包括处理器201、输入设备202、输出设备203以及计算机存储介质204。所述输入设备202中还可包括摄像组件，摄像组件可用于获取训练样本集和/或被测车辆图像，所述摄像组件可以是终端出厂时配置在终端上的组件，也可以是与终端相连接的外部组件，例如交通监控系统中的摄像头。其中，终端内的处理器201、输入设备202、输出设备203以及计算机存储介质204可通过总线或其他方式连接。
计算机存储介质204可以存储在终端的存储器中，所述计算机存储介质204用于存储计算机程序，所述计算机程序包括程序指令，所述处理器201用于执行所述计算机存储介质204存储的程序指令。处理器201(或称CPU(Central Processing Unit，中央处理器))是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；在一个实施例中，本发明实施例所述的处理器201可以用于根据获取到的训练样本集进行一系列的模型训练处理，包括：获取训练样本集，所述训练样本集包括第一样本集及第二样本集，所述第一样本集包括多个第一样本车辆图像，所述第二样本集包括多个第二样本车辆图像；采用所述第一样本集对车辆属性模型进行训练得到训练结果，所述训练结果包括所述第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息；按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；将所述困惑样本子集添加至所述第二样本集中，并采用添加后的第二样本集对所述车辆属性模型进行迭代训练以得到优化的车辆属性模型，等等。
本发明实施例还提供了一种计算机存储介质(Memory)，所述计算机存储介质是终端中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机存储介质既可以包括终端中的内置存储介质，当然也可以包括终端所支持的扩展存储介质。计算机存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器201加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器；可选的还可以是至少一个位于远离前述处理器的计算机存储介质。
在一种实施方式中，可由处理器201加载并执行计算机存储介质中存放的一条或一条以上指令，以实现上述有关车辆属性模型的训练方法实施例中的方法的相应步骤；具体实现中，计算机存储介质中的一条或一条以上指令由处理器201加载并执行如下步骤：
获取训练样本集，所述训练样本集包括第一样本集及第二样本集，所述第一样本集包括多个第一样本车辆图像，所述第二样本集包括多个第二样本车辆图像；
采用所述第一样本集对车辆属性模型进行训练得到训练结果，所述训练结果包括所述第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息；
按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；
将所述困惑样本子集添加至所述第二样本集中，并采用添加后的第二样本集对所述车辆属性模型进行迭代训练以得到优化的车辆属性模型。
再一种实施方式中，在采用所述第一样本集对车辆属性模型进行训练得到训练结果时，所述一条或一条以上指令由处理器201加载并具体执行：
从所述第一样本集中选取目标第一样本车辆图像，所述目标第一样本车辆图像为所述第一样本集中的任一个第一样本车辆图像；
调用所述车辆属性模型识别所述目标第一样本车辆图像的车辆属性以预测所述目标第一样本车辆图像属于各个车辆属性类别的概率；
其中，所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息包括所述目标第一样本图像属于所述各个车辆属性类别的概率。
再一种实施方式中，在按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集时，所述一条或一条以上指令由处理器201加载并具体执行：
获取筛选阈值；
根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集。
再一种实施方式中，在根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集时，所述一条或一条以上指令由处理器201加载并具体执行：
从所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息中选择最大概率作为所述目标第一样本车辆图像的置信度；
若所述置信度大于所述筛选阈值，则将所述目标第一样本车辆图像归类至确定样本子集；
若所述置信度不大于所述筛选阈值，则将所述目标第一样本车辆图像归类至困惑样本子集。
再一种实施方式中，在根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集时，所述一条或一条以上指令由处理器201加载并具体执行：
获取所述目标第一样本车辆图像的置信度差值，所述置信度差值为所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息中最大概率与次大概率之间的差值；
若所述置信度差值大于所述筛选阈值，则将所述目标第一样本车辆图像归类至确定样本子集；
若所述置信度差值不大于所述筛选阈值，则将所述目标第一样本车辆图像归类至困惑样本子集。
再一种实施方式中，在根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集时，所述一条或一条以上指令由处理器201加载并具体执行：
根据所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息确定所述目标第一样本车辆图像的信息熵；
若所述信息熵小于所述筛选阈值，则将所述目标第一样本车辆图像归类至确定样本子集；
若所述信息熵不小于所述筛选阈值，则将所述目标第一样本车辆图像归类至困惑样本子集。
再一种实施方式中，所述一条或一条以上指令还可由处理器201加载并具体执行：
若获取到被测车辆图像，则调用所述优化的车辆属性模型对所述被测车辆图像进行识别，得到所述被测车辆图像的车辆属性类别；
输出所述被测车辆图像的车辆属性类别。
再一种实施方式中，所述训练样本集包括样本车牌图像；相应的，所述一条或一条以上指令还可由处理器201加载并具体执行：
按照车牌生成规则生成初始车牌图像；
调用优化的图像转换处理模型对所述初始车牌图像进行图像风格转换，得到目标车牌图像，其中，所述图像转换处理模型包括两个生成式对抗网络，所述优化的图像转换处理模型是通过所述两个生成式对抗网络的机器学习对所述图像转换处理模型进行优化得到的；
将所述目标车牌图像作为样本车牌图像并添加至所述训练样本集。
再一种实施方式中，在按照车牌生成规则生成初始车牌图像时，所述一条或一条以上指令由处理器201加载并具体执行：
选取车牌模板和车牌号码，并按照车牌生成规则在所述车牌模板上填充所述车牌号码；
将填充后的车牌模板进行预处理，并将预处理后的车牌模板添加至背景图像，得到初始车牌图像，所述预处理包括：投影处理和/或旋转处理。
再一种实施方式中，所述图像转换处理模型的损失函数包括循环一致性损失，所述循环一致性损失的权重值大于预设阈值。
本发明实施例可以获取训练样本集，该训练样本集包括第一样本集和第二样本集；采用第一样本集对车辆属性模型进行训练得到训练结果，按照训练结果将第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；将困惑样本子集添加至第二样本集中，并采用添加后的第二样本集对车辆属性模型进行迭代训练以得到优化的车辆属性模型。上述的模型训练过程中，可根据训练结果确定出困惑样本子集，提高了样本筛选的效率，节省了标注资源。采用添加困惑样本子集后的第二样本集对车辆属性模型进行迭代训练，可提高样本利用率；使得车辆属性模型可学习到困惑样本的特征，提高车辆属性模型的识别能力，进而提高优化的车辆属性模型的准确性。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (13)

1.一种车辆属性模型的训练方法，其特征在于，包括：
获取训练样本集，所述训练样本集包括第一样本集及第二样本集，所述第一样本集包括多个第一样本车辆图像，所述第二样本集包括多个第二样本车辆图像；
采用所述第一样本集对车辆属性模型进行训练得到训练结果，所述训练结果包括所述第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息；
按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；
将所述困惑样本子集添加至所述第二样本集中，并采用添加后的第二样本集对所述车辆属性模型进行迭代训练以得到优化的车辆属性模型。
2.如权利要求1所述的方法，其特征在于，所述采用所述第一样本集对车辆属性模型进行训练得到训练结果，包括：
从所述第一样本集中选取目标第一样本车辆图像，所述目标第一样本车辆图像为所述第一样本集中的任一个第一样本车辆图像；
调用所述车辆属性模型识别所述目标第一样本车辆图像的车辆属性以预测所述目标第一样本车辆图像属于各个车辆属性类别的概率；
其中，所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息包括所述目标第一样本图像属于所述各个车辆属性类别的概率。
3.如权利要求2所述的方法，其特征在于，所述按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集，包括：
获取筛选阈值；
根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集。
4.如权利要求3所述的方法，其特征在于，所述根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集，包括：
从所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息中选择最大概率作为所述目标第一样本车辆图像的置信度；
若所述置信度大于所述筛选阈值，则将所述目标第一样本车辆图像归类至确定样本子集；
若所述置信度不大于所述筛选阈值，则将所述目标第一样本车辆图像归类至困惑样本子集。
5.如权利要求3所述的方法，其特征在于，所述根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集，包括：
获取所述目标第一样本车辆图像的置信度差值，所述置信度差值为所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息中最大概率与次大概率之间的差值；
若所述置信度差值大于所述筛选阈值，则将所述目标第一样本车辆图像归类至确定样本子集；
若所述置信度差值不大于所述筛选阈值，则将所述目标第一样本车辆图像归类至困惑样本子集。
6.如权利要求3所述的方法，其特征在于，所述根据所述筛选阈值和所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息将所述目标第一样本车辆图像归类至确定样本子集或困惑样本子集，包括：
根据所述目标第一样本车辆图像在至少一个车辆属性类别中的概率分布信息确定所述目标第一样本车辆图像的信息熵；
若所述信息熵小于所述筛选阈值，则将所述目标第一样本车辆图像归类至确定样本子集；
若所述信息熵不小于所述筛选阈值，则将所述目标第一样本车辆图像归类至困惑样本子集。
7.如权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
若获取到被测车辆图像，则调用所述优化的车辆属性模型对所述被测车辆图像进行识别，得到所述被测车辆图像的车辆属性类别；
输出所述被测车辆图像的车辆属性类别。
8.如权利要求1所述的方法，其特征在于，所述训练样本集包括样本车牌图像；所述方法还包括：
按照车牌生成规则生成初始车牌图像；
调用优化的图像转换处理模型对所述初始车牌图像进行图像风格转换，得到目标车牌图像，其中，所述图像转换处理模型包括两个生成式对抗网络，所述优化的图像转换处理模型是通过所述两个生成式对抗网络的机器学习对所述图像转换处理模型进行优化得到的；
将所述目标车牌图像作为样本车牌图像并添加至所述训练样本集。
9.如权利要求8所述的方法，其特征在于，所述按照车牌生成规则生成初始车牌图像，包括：
选取车牌模板和车牌号码，并按照车牌生成规则在所述车牌模板上填充所述车牌号码；
将填充后的车牌模板进行预处理，并将预处理后的车牌模板添加至背景图像，得到初始车牌图像，所述预处理包括：投影处理和/或旋转处理。
10.如权利要求8或9所述的方法，其特征在于，所述图像转换处理模型的损失函数包括循环一致性损失，所述循环一致性损失的权重值大于预设阈值。
11.一种车辆属性模型的训练装置，其特征在于，包括：
获取单元，用于获取训练样本集，所述训练样本集包括第一样本集及第二样本集，所述第一样本集包括多个第一样本车辆图像，所述第二样本集包括多个第二样本车辆图像；
处理单元，用于采用所述第一样本集对车辆属性模型进行训练得到训练结果，所述训练结果包括所述第一样本集中的各第一样本车辆图像在至少一个车辆属性类别中的概率分布信息；
归类单元，用于按照所述训练结果将所述第一样本集中的多个第一样本车辆图像归类至确定样本子集和困惑样本子集；
所述处理单元，用于将所述困惑样本子集添加至所述第二样本集中，并采用添加后的第二样本集对所述车辆属性模型进行迭代训练以得到优化的车辆属性模型。
12.一种终端，包括输入设备和输出设备，其特征在于，还包括：
处理器，适于实现一条或一条以上指令；以及，
计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由所述处理器加载并执行如权利要求1-10任一项所述的车辆属性模型的训练方法。
13.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由处理器加载并执行如权利要求1-10任一项所述的车辆属性模型的训练方法。
CN201811306036.7A 2018-11-02 2018-11-02 车辆属性模型的训练方法、装置、终端及存储介质 Pending CN110147709A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811306036.7A CN110147709A (zh) 2018-11-02 2018-11-02 车辆属性模型的训练方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811306036.7A CN110147709A (zh) 2018-11-02 2018-11-02 车辆属性模型的训练方法、装置、终端及存储介质

Publications (1)

Publication Number Publication Date
CN110147709A true CN110147709A (zh) 2019-08-20

Family

ID=67589323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811306036.7A Pending CN110147709A (zh) 2018-11-02 2018-11-02 车辆属性模型的训练方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN110147709A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503834A (zh) * 2019-09-10 2019-11-26 上海科技大学 基于gan实现多路口协同的智能交通管理决策方法
CN110738305A (zh) * 2019-08-27 2020-01-31 深圳市跨越新科技有限公司 一种物流运单地址解析的方法和系统
CN110738309A (zh) * 2019-09-27 2020-01-31 华中科技大学 Ddnn的训练方法和基于ddnn的多视角目标识别方法和系统
CN110991349A (zh) * 2019-12-05 2020-04-10 中国科学院重庆绿色智能技术研究院 一种基于度量学习的轻量级车辆属性识别方法
CN111160406A (zh) * 2019-12-10 2020-05-15 北京达佳互联信息技术有限公司 图像分类模型的训练方法、图像分类方法及装置
CN111651979A (zh) * 2020-04-24 2020-09-11 北京中交兴路车联网科技有限公司 一种车辆属性的纠错方法、装置、存储介质及终端
CN111753914A (zh) * 2020-06-29 2020-10-09 北京百度网讯科技有限公司 模型优化方法和装置、电子设备及存储介质
CN111832613A (zh) * 2020-06-03 2020-10-27 北京百度网讯科技有限公司 模型训练方法、装置、电子设备和存储介质
CN112183324A (zh) * 2020-09-27 2021-01-05 厦门大学 一种屏下指纹图像的生成方法和生成装置
CN112508080A (zh) * 2020-12-03 2021-03-16 广州大学 基于经验回放的车辆型号识别方法、装置、设备及介质
CN112529026A (zh) * 2019-09-17 2021-03-19 华为技术有限公司 提供ai模型的方法、ai平台、计算设备及存储介质
CN112562328A (zh) * 2020-11-27 2021-03-26 腾讯科技（深圳）有限公司 一种车辆行为预测方法及装置
CN113240027A (zh) * 2021-05-24 2021-08-10 北京有竹居网络技术有限公司 图像分类方法、装置、可读介质及电子设备
CN114723710A (zh) * 2022-04-11 2022-07-08 安徽鲲隆康鑫医疗科技有限公司 基于神经网络的超声视频关键帧的检测方法和装置
CN115795131A (zh) * 2023-02-10 2023-03-14 山东能源数智云科技有限公司 基于人工智能的电子档案分类方法、装置及电子设备
CN116302294A (zh) * 2023-05-18 2023-06-23 安元科技股份有限公司 一种界面化自动识别组件属性的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331691A (zh) * 2014-11-28 2015-02-04 深圳市捷顺科技实业股份有限公司 一种车标分类器训练方法、车标识别方法及装置
US20160328837A1 (en) * 2015-05-08 2016-11-10 Kla-Tencor Corporation Method and System for Defect Classification
CN106611193A (zh) * 2016-12-20 2017-05-03 太极计算机股份有限公司 一种基于特征变量算法的图像内容信息分析方法
CN107563385A (zh) * 2017-09-02 2018-01-09 西安电子科技大学 基于深度卷积生成式对抗网络的车牌字符识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331691A (zh) * 2014-11-28 2015-02-04 深圳市捷顺科技实业股份有限公司 一种车标分类器训练方法、车标识别方法及装置
US20160328837A1 (en) * 2015-05-08 2016-11-10 Kla-Tencor Corporation Method and System for Defect Classification
CN106611193A (zh) * 2016-12-20 2017-05-03 太极计算机股份有限公司 一种基于特征变量算法的图像内容信息分析方法
CN107563385A (zh) * 2017-09-02 2018-01-09 西安电子科技大学 基于深度卷积生成式对抗网络的车牌字符识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
章春娥 等: "基于对困难样本迁移学习的烤烟分级特征表示", 《轻工科技》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738305A (zh) * 2019-08-27 2020-01-31 深圳市跨越新科技有限公司 一种物流运单地址解析的方法和系统
CN110503834A (zh) * 2019-09-10 2019-11-26 上海科技大学 基于gan实现多路口协同的智能交通管理决策方法
CN112529026A (zh) * 2019-09-17 2021-03-19 华为技术有限公司 提供ai模型的方法、ai平台、计算设备及存储介质
CN112529026B (zh) * 2019-09-17 2023-12-19 华为云计算技术有限公司 提供ai模型的方法、ai平台、计算设备及存储介质
CN110738309A (zh) * 2019-09-27 2020-01-31 华中科技大学 Ddnn的训练方法和基于ddnn的多视角目标识别方法和系统
CN110738309B (zh) * 2019-09-27 2022-07-12 华中科技大学 Ddnn的训练方法和基于ddnn的多视角目标识别方法和系统
CN110991349B (zh) * 2019-12-05 2023-02-10 中国科学院重庆绿色智能技术研究院 一种基于度量学习的轻量级车辆属性识别方法
CN110991349A (zh) * 2019-12-05 2020-04-10 中国科学院重庆绿色智能技术研究院 一种基于度量学习的轻量级车辆属性识别方法
CN111160406A (zh) * 2019-12-10 2020-05-15 北京达佳互联信息技术有限公司 图像分类模型的训练方法、图像分类方法及装置
CN111651979A (zh) * 2020-04-24 2020-09-11 北京中交兴路车联网科技有限公司 一种车辆属性的纠错方法、装置、存储介质及终端
CN111832613A (zh) * 2020-06-03 2020-10-27 北京百度网讯科技有限公司 模型训练方法、装置、电子设备和存储介质
CN111753914A (zh) * 2020-06-29 2020-10-09 北京百度网讯科技有限公司 模型优化方法和装置、电子设备及存储介质
CN111753914B (zh) * 2020-06-29 2024-04-16 北京百度网讯科技有限公司 模型优化方法和装置、电子设备及存储介质
CN112183324B (zh) * 2020-09-27 2023-12-26 厦门大学 一种屏下指纹图像的生成方法和生成装置
CN112183324A (zh) * 2020-09-27 2021-01-05 厦门大学 一种屏下指纹图像的生成方法和生成装置
CN112562328A (zh) * 2020-11-27 2021-03-26 腾讯科技（深圳）有限公司 一种车辆行为预测方法及装置
CN112508080A (zh) * 2020-12-03 2021-03-16 广州大学 基于经验回放的车辆型号识别方法、装置、设备及介质
CN112508080B (zh) * 2020-12-03 2024-01-12 广州大学 基于经验回放的车辆型号识别方法、装置、设备及介质
CN113240027A (zh) * 2021-05-24 2021-08-10 北京有竹居网络技术有限公司 图像分类方法、装置、可读介质及电子设备
CN114723710A (zh) * 2022-04-11 2022-07-08 安徽鲲隆康鑫医疗科技有限公司 基于神经网络的超声视频关键帧的检测方法和装置
CN115795131A (zh) * 2023-02-10 2023-03-14 山东能源数智云科技有限公司 基于人工智能的电子档案分类方法、装置及电子设备
CN116302294B (zh) * 2023-05-18 2023-09-01 安元科技股份有限公司 一种界面化自动识别组件属性的方法及系统
CN116302294A (zh) * 2023-05-18 2023-06-23 安元科技股份有限公司 一种界面化自动识别组件属性的方法及系统

Similar Documents

Publication Publication Date Title
CN110147709A (zh) 车辆属性模型的训练方法、装置、终端及存储介质
Yi et al. ASSD: Attentive single shot multibox detector
Xiong et al. Learning to generate time-lapse videos using multi-stage dynamic generative adversarial networks
CN110990631A (zh) 视频筛选方法、装置、电子设备和存储介质
CN108230291B (zh) 物体识别系统训练方法、物体识别方法、装置和电子设备
US11887215B2 (en) Image processing apparatus and method for style transformation
CN109657715B (zh) 一种语义分割方法、装置、设备及介质
CN113822951B (zh) 图像处理方法、装置、电子设备及存储介质
CN112818995A (zh) 图像分类方法、装置、电子设备及存储介质
CN114529765A (zh) 一种数据处理方法、设备以及计算机可读存储介质
CN112818849A (zh) 基于对抗学习的上下文注意力卷积神经网络的人群密度检测算法
CN112668675B (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN116701706B (zh) 一种基于人工智能的数据处理方法、装置、设备及介质
CN113705293A (zh) 图像场景的识别方法、装置、设备及可读存储介质
CN116935170A (zh) 视频处理模型的处理方法、装置、计算机设备和存储介质
CN106447691A (zh) 基于加权多示例学习的加权极限学习机视频目标跟踪方法
CN115019218A (zh) 图像处理方法和处理器
CN115424086A (zh) 多视角的细粒度识别方法、装置、电子设备及介质
CN111652073B (zh) 视频分类方法、装置、系统、服务器和存储介质
CN113822130A (zh) 模型训练方法、场景识别方法、计算设备和介质
Shah et al. Proposed Methodology for Disaster Classification Using Computer Vision and Federated Learning
CN113592765A (zh) 图像处理方法、装置、设备及存储介质
CN117874286B (zh) 一种基于SaaS云应用的云基视频分析方法及系统
CN117649631B (zh) 一种基于改进卷积神经网络的客户端图像处理方法及系统
CN116310966B (zh) 视频动作定位模型训练方法、视频动作定位方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination