CN112801128B - 非机动车识别方法、装置、电子设备及存储介质 - Google Patents

非机动车识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112801128B
CN112801128B CN202011467776.6A CN202011467776A CN112801128B CN 112801128 B CN112801128 B CN 112801128B CN 202011467776 A CN202011467776 A CN 202011467776A CN 112801128 B CN112801128 B CN 112801128B
Authority
CN
China
Prior art keywords
motor vehicle
survival rate
network
sample image
vehicle identification
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.)
Active
Application number
CN202011467776.6A
Other languages
English (en)
Other versions
CN112801128A (zh
Inventor
张�成
魏新明
胡文泽
王孝宇
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202011467776.6A priority Critical patent/CN112801128B/zh
Publication of CN112801128A publication Critical patent/CN112801128A/zh
Application granted granted Critical
Publication of CN112801128B publication Critical patent/CN112801128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种非机动车识别方法、装置、电子设备及存储介质，所述方法包括：获取非机动车识别模型的训练数据；根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图样对应的残差的第二存活率；根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；根据所述样本图像的输出结果与对应的标签数据，计算损失函数；通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；基于所述训练好的非机动车识别模型对待识别图像进行识别。训练速度更快，模型更为精简。

Description

非机动车识别方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种非机动车识别方法、装置、电子设备及存储介质。
背景技术
在对非机动车进行分类识别时，使用卷积神经网络进行训练较传统特征提取更具有有鲁棒性，提取到的特征更为显著。在基于残差的卷积神经网络中，通过残差网络来提取特征，以得到卷积特征图与残差的融合特征，通过神经元来对结果进行分类。但是，在对卷积神经网络进行训练前，初始模型的结构，比如卷积神经网络中残差网络的数量需要由工作人员进行设定，即是一个固定的值，由于工作人员无法得知最佳的结构，因此这个固定的值会存在一定的余量，而这个余量会造成模型的结构冗余，使得整个卷积网络需要更多的计算资源，计算的时间也较长，也更容易过拟合，而且不利于模型小开化的部署在端设备中，不方便端设备对非机动车进行识别。
发明内容
本发明实施例提供一种非机动车识别方法，能够降低非机动车识别模型的数据量，便于非机动车识别模型的小型化，进一步方便了端设备对非机动车的识别。
第一方面，本发明实施例提供一种非机动车识别方法，所述方法包括：
获取非机动车识别模型的训练数据，所述非机动车识别模型包括多个残差网络，所述训练数据包括非机动车的样本图像以及标签数据；
根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；
将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图样对应的残差的第二存活率，所述第二存活率为随机分配；
根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；
根据所述样本图像的输出结果与对应的标签数据，计算损失函数；
通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；
基于所述训练好的非机动车识别模型对待识别图像进行识别。
可选的，所述非机动车的标签数据包括真实标签数据与伪标签数据，所述获取非机动车识别模型的训练数据，包括：
获取样本图像，所述样本图像包括具有真实标签数据的样本图像以及没有标签数据的样本图像；
将所述没有标签数据的样本图像输入到预先训练好的标签模型进行标签预测，并根据第一置信度阈值筛选得到样本图像的伪标签数据；
基于所述真实标签数据与所述伪标签数据构建所述非机动车识别模型的训练数据。
可选的，所述方法还包括：
通过所述真实标签数据与对应的样本图像，对所述标签模型进行训练，得到训练好的标签模型。
可选的，所述根据所述样本图像的输出结果与对应的标签数据，计算损失函数，包括：
计算所述真实标签数据对应样本图像的输出结果与所述真实标签数据之间的第一损失函数；
计算所述伪标签数据对应样本图像的输出结果与所述伪标签数据之间的第二损失函数；
计算所述第一损失函数与所述第二损失函数的总损失函数。
可选的，所述迭代得到训练好的非机动车识别模型，包括：
经过一次迭代后，将所述没有标签数据的样本图像输入到当前迭代次数的非机动车识别模型进行标签预测，并根据第二置信度阈值筛选得到样本图像的伪标签数据。
可选的，所述根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率，包括：
设置初始存活参数；
计算当前残差网络的深度值与非机动车识别模型的深度之间的比值，得到当前残差网络的深度比；
根据所述初始存活参数以及所述当前残差网络的深度比，计算所述当前残差网络的第一存活率；
其中，所述第一存活率与所述初始存活参数成正比，所述第一存活率与所述当前残差网络的深度比成反比。
可选的，所述根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果，包括：
根据所述第一存活率，随机丢弃所述残差网络；
根据当前残差网络的所述第一存活率与第二存活率，丢弃当前残差网络对于所述样本图样的对应残差。
可选的，所述根据当前残差网络的所述第一存活率与第二存活率，丢弃当前残差网络对于所述样本图样的对应残差，包括：
判断当前残差网络的所述第二存活率是否大于等于所述第一存活率；
若所述第二存活率大于等于所述第一存活率，则保持当前残差网络对于所述样本图样的对应残差存活；
若所述第二存活率小于所述第一存活率，则丢弃当前残差网络对于所述样本图样的对应残差。
可选的，所述非机动车识别模型中包括神经元网络，所述神经元网络包括中间神经元，每个所述中间神经元具有固定的第三存活率，所述根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果，包括：
根据所述第三存活率，对所述神经元网络中的各个中间神经元进行随机丢弃，得到简化后的神经元网络；
根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的第一输出结果；
将所述第一输出结果输入到简化后的神经元网络中，对所述第一输出结果进行分类，得到第二分类结果。
可选的，所述残差网络中包括有效通道注意力机制。
第二方面，本发明实施例还提供一种非机动车识别装置，所述装置包括：
获取模块，用于获取非机动车识别模型的训练数据，所述非机动车识别模型包括多个残差网络，所述训练数据包括非机动车的样本图像以及标签数据；
第一分配模块，用于根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；
第二分配模块，用于将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图样对应的残差的第二存活率，所述第二存活率为随机分配；
确定模块，用于根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；
损失计算模块，用于根据所述样本图像的输出结果与对应的标签数据，计算损失函数；
迭代模块，用于通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；
识别模块，用于基于所述训练好的非机动车识别模型对待识别图像进行识别。
第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的非机动车识别方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的非机动车识别方法中的步骤。
本发明实施例中，获取非机动车识别模型的训练数据，所述非机动车识别模型包括多个残差网络，所述训练数据包括非机动车的样本图像以及标签数据；根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图样对应的残差的第二存活率，所述第二存活率为随机分配；根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；根据所述样本图像的输出结果与对应的标签数据，计算损失函数；通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；基于所述训练好的非机动车识别模型对待识别图像进行识别。通过为每个残差网络按深度分配对应的第一存活率，为每个残差随机分配第二存活率，使得非机动车识别模型根据第一存活率与第二存活率进行训练，训练速度更快，模型更为精简。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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非机动车识别方法的流程图；
图2是本发明实施例提供的一种训练数据获取方法的流程图；
图3是本发明实施例提供的一种精简非机动车识别模型方法的流程图；
图3a是本发明实施例提供的一种背景图构建方法的流程图；
图3b是本发明实施例提供的一种背景图构建方法的流程图；
图4是本发明实施例提供的另一种精简非机动车识别模型方法的流程图；
图5是本发明实施例提供的一种非机动车识别装置的结构示意图；
图6是本发明实施例提供的一种获取模块的结构示意图；
图7是本发明实施例提供的另一种非机动车识别装置的结构示意图；
图8是本发明实施例提供的一种损失计算模块的结构示意图；
图9是本发明实施例提供的一种第一分配模块的结构示意图；
图10是本发明实施例提供的一种确定模块的结构示意图；
图11是本发明实施例提供的一种第二丢弃子模块的结构示意图；
图12是本发明实施例提供的另一种确定模块的结构示意图；
图13是本发明实施例提供的一种电子设备的结构示意图。
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，图1是本发明实施例提供的一种非机动车识别方法的流程图，如图1所示，该方法用于定时或实时进行非机动车识别，包括以下步骤：
101、获取非机动车识别模型的训练数据。
在本发明实施例中，上述非机动车识别模型包括多个残差网络，上述训练数据包括非机动车的样本图像以及标签数据。
上述的非机动车的类型可以是自行车、摩托车及电动车、三轮车、其他非机动车等类型。
可选的，上述非机动车的标签数据可以包括真实标签数据与伪标签数据。上述真实标签数据可以是人工进行标注的标签数据，上述伪标签数据为根据模型进行预测所得到的标签数据。
具体的，请参见图2，图2是本发明实施例提供的一种训练数据获取方法的流程图，如图2所示，包括以下步骤：
201、获取样本图像。
在本发明实施例中，样本图像包括具有真实标签数据的样本图像以及没有标签数据的样本图像。
上述的样本图像为非机动车的图像，上述的标签数据根据非机动车的类型进行分类，比如，非机动车的类型为自行车、摩托车及电动车、三轮车、其他非机动车等4个类型，则上述的标签数据也为自行车标签、摩托及电动车标签、三轮车标签、其他非机动车标签等4个标签数据类型。
202、将没有标签数据的样本图像输入到预先训练好的标签模型进行标签预测，并根据第一置信度阈值筛选得到样本图像的伪标签数据。
在本发明实施例中，上述预先训练好的标签模型为非机动车的标签模型，进一步的，上述非机动车的标签模型可以对样本图像中的非机动车进行识别分类，并输出对应的伪标签数据。
可选的，可以通过真实标签数据与对应的样本图像，对标签模型进行训练，得到训练好的标签模型。比如，获取到5万非机动车的真实标签数据的样本图像，同时，获取到230万非机动车的无标签数据的样本图像，则可以将这5万非机动车的标签数据以及对应的样本图像来训练标签模型，使之学习到对非机动车进行分类和对非机动车打标签。具体来说，可以将非机动车的标签数据以及对应的样本图像分为训练集与验证集，比如将5万非机动车的标签数据以及对应的样本图像分为4.5万的训练集，以及0.5万的验证集。上述训练集用于标签模型的训练，上述验证集用于验证训练后的模型能力。
可选的，上述的标签模型可以包括多个残差网络，每个残差网络可以分配一个固定的存活率，根据该固定的存活率残差网络进行丢弃，比如，每个残差网络的存活率为0.5，则可以在0和1的集合中取随机值，若取到1则表示该残差网络存活，若取到0，则表示丢弃该残差网络。这样，可以精简标签模型的结构，加快标签模型的训练速度和前向推理的速度。
在一种可能的实施例中，在训练标签模型之前，可以先对与真实标签数据对应的样本图像进行图像增强，上述图像增强可以是对输入的图片随机添加噪声、平移、旋转、翻转、高斯噪声等，这样，可以增加样本图像的丰富性，从而提高训练所得到的标签模型的准确度。
在一种可能的实施例中，上述的标签模型可以包括多个残差网络，每个残差网络可以按深度分配一个的存活率，残差网络的深度值越大，存活率越低，具体的，假设标签模型中有16个残差模块，上述的按深度分配一个的存活率可以参考下述的式子：
具体的，上述式子中，Pi为第i个残差网络的存活率，δ为初始存活参数，在本发明实施例中可以设置为0.5，i为残差网络的深度值。在有16个残差模块的标签模型中，第一个残差网络的深度值为0，则对应的存活率为1，最后一个残差网络的深度值为15，则对应的存活率为0.5。这样，可以精简标签模型的结构，加快标签模型的训练速度和前向推理的速度。
在一种可能的实施例中，上述的标签模型可以包括神经元网络，上述的神经元网络包括中间神经元，可以为每个中间神经元固定分配一个存活率，并根据该存活率随机对中间神经元进行丢弃，以精简神经元网络的结构，加快标签模型的训练速度和前向推理的速度。
在训练好的标签模型对无标签数据的样本图像进行预设时，会输出对应的标签数据以及该样本图像是该标签数据的置信度，可以根据该置信度与预设的第一置信度阈值进行比较，若该置信度大于预设的第一置信度阈值，则将该标签数据作为该样本图像的伪标签数据，若该置信度小于预设的第一置信度阈值，则不丢弃该样本图像。
203、基于真实标签数据与伪标签数据构建非机动车识别模型的训练数据。
在本发明实施例中，可以将真实标签数据及其样本图像与伪标签数据及其样本图像进行合并，比如，真实标签数据及其样本图像为{(x1,y1),(x2,y2),…,(xn,yn)}，伪标签数据及其样本图像为进行合并后，得到训练数据为
在本种可能的实施例中，在通过训练数据对非机动车识别模型进行训练之前，可以对训练数据中的样本图像进行图像增强处理，上述图像增强可以是对输入的图片随机添加噪声、平移、旋转、翻转、高斯噪声等，这样，可以增加样本图像的丰富性，从而提高训练所得到的非机动车识别模型的准确度。
102、根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率。
在本发明实施例中，上述非机动车识别模型包括多个残差网络，每个残差网络都有对应的深度值，以16个残差网络的非机动车识别模型来说，其深度值为0，1，…，15。需要说明的是，上述多个残差网络指的是两个或两个以上的残差网络，可以理解的，当非机动车识别模型只包括一个残差网络时，是不需要对残差网络进行丢弃的，也就不需要分配对应的存活率。
上述第一存活率指的是非机动车识别模型中残差网络能够留存下来的概率。上述第一存活率的计算可以是先设置初始存活参数；再计算当前残差网络的深度值与非机动车识别模型的深度之间的比值，得到当前残差网络的深度比；然后根据初始存活参数以及当前残差网络的深度比，计算当前残差网络的第一存活率；其中，第一存活率与初始存活参数成正比，第一存活率与所述当前残差网络的深度比成反比。具体的，上述的第一存活率的计算可以参考下述的式子：
具体的，上述式子中，Pi为第i个残差网络的第一存活率，δ为初始存活参数，在本发明实施例中可以设置为0.5，i为残差网络的深度值。在有16个残差模块的非机动车识别模型中，第一个残差网络的深度值为0，则对应的存活率为1，最后一个残差网络的深度值为15，则对应的存活率为0.5。这样，可以通过第一存活率来对残差网络进行丢弃，从而精简非机动车识别模型的结构，加快非机动车识别模型的训练速度和前向推理的速度。
103、将训练数据输入到非机动车识别模型中，计算每个残差网络对于样本图样对应的残差的第二存活率。
在本发明实施例中，上述残差指的是当前层的输入与当前层的输出进行相加所得结果。
在对样本图像进行前向计算时，上述第二存活率可以为随机进行分配。具体的，上述残差的第二存活率可以为0～1之间的随机值。
104、根据第一存活率与第二存活率，确定各个残差网络对于样本图像的输出结果。
在本发明实施例中，可以根据第一存活率确定非机动车识别模型中的残差网络的数量结构，从而精简非机动车识别模型，可以通过第二存活率确定非机动车识别模型中各个残差网络计算的残差是否保留，从而进一步精简非机动车识别模型。
具体的，请参见图3，图3是本发明实施例提供的一种精简非机动车识别模型方法的流程图，如图3所示，包括以下步骤：
301、根据第一存活率，随机丢弃残差网络。
在本发明实施例中，由于每个残差网络的第一存活率根据其深度值而有所不同，深度值越高，则存活率越低。可以根据各个残差网络的第一存活率进行随机取值，根据随机取到值来判断残差网络是丢弃还是保留。比如，根据当前残差网络的第一存活率为小数点后一位，则可以在一个有10个1或0的集合中进行随机值抽取，抽到1则进行保留，抽到0则进行丢弃。若当前残差网络的第一存活率为1，则集合中的10个数字全部为1，若当前残差网络的第一存活率为0.6，则集合中的10个数字有6个数字为1，其他4个数字为0。这样，随机丢掉一些“运气”不好的残差网络，可以精简非机动车识别模型的结构，加快非机动车识别模型的训练速度和前向推理的速度。
在一种可能的实施例中，上述的残差网络包括卷积残差网络以及直接输出网络两个类型，如图3a所示，所述卷积残差网络的输出为：
H(X)＝Relu(F(X)+X)
其中，上述的X为上一层网络的输出，也可以称为当前层网络的输入，F(X)为卷积残差网络中的卷积计算。具体来说，就是将当前层网络的输入与当前层网络的输出进行相加，并作为下层网络的输入。
如图3b所示，所述直接输出网络的输出为：
H(X)＝Relu(X)
其中，上述的X为上一层网络的输出，也可以称为当前层网络的输入，相当于在当前层网络没有进行卷积计算，下一层网络的输入是上一层网络的输出。
302、根据当前残差网络的第一存活率与第二存活率，丢弃当前残差网络对于样本图样的对应残差。
在本发明实施例中，可以计算当前残差网络对应的第一存活率与第二存活率的关系，来判断当前残差网络是进行丢弃或保留。
具体的，请参见图4，图4是本发明实施例提供的另一种精简非机动车识别模型方法的流程图，如图4所示，包括以下步骤：
401、判断当前残差网络的第二存活率是否大于等于第一存活率。
402、若第二存活率大于等于第一存活率，则保持当前残差网络对于样本图样的对应残差存活。
403、若第二存活率小于第一存活率，则丢弃当前残差网络对于样本图样的对应残差。
在本发明实施例中，当前残差网络的输出根据下述式子进行确定：
具体的，上述，ξi为第i个残差前向计算时得到的随机值，Pi为该第i个残差网络的存活率。具体的，上述式子所表达的意思为，当ξ大于等于Pi时则对应的第i个残差块存活，否则丢弃。这样，随机丢掉一些“运气”不好的残差网络及残差，可以进一步精简非机动车识别模型的结构，加快非机动车识别模型的训练速度和前向推理的速度。
在本发明实施例中，残差网络的输出结果还需要经过神经元网络进行分类计算，最后得到分类结果作为样本图像的输出结果。
在一种可能的实施例中，非机动车识别模型还包括神经元网络，上述神经元网络包括输入神经元网络、中间神经元网络以及输出神经元网络，上述输入神经元网络中的输入神经元数据与最后一个残差网络的输出的特征维度相同，上述中间神经元网络包括中间神经元，中间神经元可以通过存活率进行精简优化，上述输出神经元网络中包括与分类数相同的输出神经元，比如非机动车的类型包括自行车、摩托车及电动车、三轮车、其他非机动车四个分类，则输出神经元的数量也为四个，分别对应自行车、摩托车及电动车、三轮车、其他非机动车四个分类。
可选的，每个所述中间神经元具有固定的第三存活率，在本发明实施例中，上述第三存活率可以固定是0.5。根据上述第三存活率，对上述神经元网络中的各个中间神经元进行随机丢弃，得到简化后的神经元网络；根据上述第一存活率与上述第二存活率，确定各个残差网络对于样本图像的第一输出结果(也可以称为特征)；将上述第一输出结果输入到简化后的神经元网络中，对上述第一输出结果进行分类，得到第二分类结果，将上述第二分类结果作为样本图像的输出结果。
105、根据样本图像的输出结果与对应的标签数据，计算损失函数。
在本发明实施例中，上述的样本图像的输出结果中包括预测分类数据，计算该预测分类数据与标签数据之间的损失函数。上述的损失函数可以是交叉熵损失。
可选的，样本图像对应的标签数据包括真实标签数据与伪标签数据，可以计算真实标签数据对应样本图像的输出结果与真实标签数据之间的第一损失函数；以及，计算伪标签数据对应样本图像的输出结果与伪标签数据之间的第二损失函数；计算第一损失函数与第二损失函数的总损失函数。具体的，上述的总损失函数可以如下述式子进行表达：
其中l表示交叉熵损失函数，n表示训练数据中真实标签数据对应样本图像的数量，m表示伪标签数据对应样本图像的数量。
106、通过损失函数进行反向传播，以调整非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型。
在本发明实施例中，可以通过损失函数进行反向传播，使用梯度下降的方法来调整非机动车识别模型的参数。不断的迭代上述步骤，使得损失函数最小，或非机动车识别模型在验证集中收敛，或者迭代到预设的次数时，则可以停止非机动车识别模型的训练，得到训练好的非机动车识别模型。以非机动类型为自行车、摩托车及电动车、三轮车、其他非机动车四个分类为例，训练好的非机动车可以将图像中的非机动车进行识别判断，判断出图像中的非机动车是自行车、或者摩托车及电动车、或者三轮车、或者其他非机动车。
在一种可能的实施例中，可以在经过一次迭代后，将上述没有标签数据的样本图像输入到当前迭代次数的非机动车识别模型进行标签预测，并根据第二置信度阈值筛选得到样本图像的伪标签数据。更进一步的，可以样本图像再次进行图像增强。第二置信度阈值可以第一置信度阈值高，每迭代一次后，都可以对第二置信度阈值进行调整，使第二置信度阈值变高，获取更接近真实的伪标签数据。
107、基于训练好的非机动车识别模型对待识别图像进行识别。
在本发明实施例中，待识别图像可以是用户进行上传，也可以是端设备进行采集得到。
本发明实施例中，获取非机动车识别模型的训练数据，所述非机动车识别模型包括多个残差网络，所述训练数据包括非机动车的样本图像以及标签数据；根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图样对应的残差的第二存活率，所述第二存活率为随机分配；根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；根据所述样本图像的输出结果与对应的标签数据，计算损失函数；通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；基于所述训练好的非机动车识别模型对待识别图像进行识别。通过为每个残差网络按深度分配对应的第一存活率，为每个残差随机分配第二存活率，使得非机动车识别模型根据第一存活率与第二存活率进行训练，训练速度更快，模型更为精简。
在本发明实施例中，上述端设备可以是手机、监控器、计算机、服务器等设备。
需要说明的是，本发明实施例提供的非机动车识别方法可以应用于可以进行非机动车识别的手机、监控器、计算机、服务器等设备。
可选的，上述非机动车识别模型还包括有效通道注意力机制(Efficient ChannelAttention，ECA)，可以通过有效通道注意力机制提高模型的精度。具体的，上述残差网络中还包括有效通道注意力机制ECA。设置有有效通道注意力机制ECA的残差网络的输出如下述式子所示：
请参见图5，图5是本发明实施例提供的一种非机动车识别装置的结构示意图，如图5所示，所述装置包括：
获取模块501，用于获取非机动车识别模型的训练数据，所述非机动车识别模型包括多个残差网络，所述训练数据包括非机动车的样本图像以及标签数据；
第一分配模块502，用于根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；
第二分配模块503，用于将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图样对应的残差的第二存活率，所述第二存活率为随机分配；
确定模块504，用于根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；
损失计算模块505，用于根据所述样本图像的输出结果与对应的标签数据，计算损失函数；
迭代模块506，用于通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；
识别模块507，用于基于所述训练好的非机动车识别模型对待识别图像进行识别。
可选的，如图6所示，所述非机动车的标签数据包括真实标签数据与伪标签数据，所述获取模块501，包括：
获取子模块5011，用于获取样本图像，所述样本图像包括具有真实标签数据的样本图像以及没有标签数据的样本图像；
标签预测子模块5012，用于将所述没有标签数据的样本图像输入到预先训练好的标签模型进行标签预测，并根据第一置信度阈值筛选得到样本图像的伪标签数据；
构建子模块5013，用于基于所述真实标签数据与所述伪标签数据构建所述非机动车识别模型的训练数据。
可选的，如图7所示，所述装置还包括：
训练模块508，用于通过所述真实标签数据与对应的样本图像，对所述标签模型进行训练，得到训练好的标签模型。
可选的，如图8所示，所述损失计算模块505，包括：
第一计算子模块5051，用于计算所述真实标签数据对应样本图像的输出结果与所述真实标签数据之间的第一损失函数；
第二计算子模块5052，用于计算所述伪标签数据对应样本图像的输出结果与所述伪标签数据之间的第二损失函数；
第三计算子模块5053，用于计算所述第一损失函数与所述第二损失函数的总损失函数。
可选的，所述迭代模块506还用于经过一次迭代后，将所述没有标签数据的样本图像输入到当前迭代次数的非机动车识别模型进行标签预测，并根据第二置信度阈值筛选得到样本图像的伪标签数据。
可选的，如图9所示，所述第一分配模块502，包括：
设置子模块5021，用于设置初始存活参数；
第四计算子模块5022，用于计算当前残差网络的深度值与非机动车识别模型的深度之间的比值，得到当前残差网络的深度比；
第五计算子模块5023，用于根据所述初始存活参数以及所述当前残差网络的深度比，计算所述当前残差网络的第一存活率；
其中，所述第一存活率与所述初始存活参数成正比，所述第一存活率与所述当前残差网络的深度比成反比。
可选的，如图10所示，所述确定模块504，包括：
第一丢弃子模块5041，用于根据所述第一存活率，随机丢弃所述残差网络；
第二丢弃子模块5042，用于根据当前残差网络的所述第一存活率与第二存活率，丢弃当前残差网络对于所述样本图样的对应残差。
可选的，如图11所示，所述第二丢弃子模块5042，包括：
判断单元50421，用于判断当前残差网络的所述第二存活率是否大于等于所述第一存活率；
第一处理单元50422，用于若所述第二存活率大于等于所述第一存活率，则保持当前残差网络对于所述样本图样的对应残差存活；
第二处理单元50423，用于若所述第二存活率小于所述第一存活率，则丢弃当前残差网络对于所述样本图样的对应残差。
可选的，如图12所示，所述非机动车识别模型中包括神经元网络，所述神经元网络包括中间神经元，每个所述中间神经元具有固定的第三存活率，所述确定模块504，包括：
第三丢弃子模块5043，用于根据所述第三存活率，对所述神经元网络中的各个中间神经元进行随机丢弃，得到简化后的神经元网络；
确定子模块5044，用于根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的第一输出结果；
分类子模块5045，用于将所述第一输出结果输入到简化后的神经元网络中，对所述第一输出结果进行分类，得到第二分类结果。
可选的，所述残差网络中包括有效通道注意力机制。
需要说明的是，本发明实施例提供的非机动车识别装置可以应用于可以进行非机动车识别的手机、监控器、计算机、服务器等设备。
本发明实施例提供的非机动车识别装置能够实现上述方法实施例中非机动车识别方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
参见图13，图13是本发明实施例提供的一种电子设备的结构示意图，如图13所示，包括：存储器1302、处理器1301及存储在所述存储器1302上并可在所述处理器1301上运行的计算机程序，其中：
处理器1301用于调用存储器1302存储的计算机程序，执行如下步骤：
获取非机动车识别模型的训练数据，所述非机动车识别模型包括多个残差网络，所述训练数据包括非机动车的样本图像以及标签数据；
根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；
将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图样对应的残差的第二存活率，所述第二存活率为随机分配；
根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；
根据所述样本图像的输出结果与对应的标签数据，计算损失函数；
通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；
基于所述训练好的非机动车识别模型对待识别图像进行识别。
可选的，所述非机动车的标签数据包括真实标签数据与伪标签数据，处理器1301执行的所述获取非机动车识别模型的训练数据，包括：
获取样本图像，所述样本图像包括具有真实标签数据的样本图像以及没有标签数据的样本图像；
将所述没有标签数据的样本图像输入到预先训练好的标签模型进行标签预测，并根据第一置信度阈值筛选得到样本图像的伪标签数据；
基于所述真实标签数据与所述伪标签数据构建所述非机动车识别模型的训练数据。
可选的，处理器1301还执行包括：
通过所述真实标签数据与对应的样本图像，对所述标签模型进行训练，得到训练好的标签模型。
可选的，处理器1301执行的所述根据所述样本图像的输出结果与对应的标签数据，计算损失函数，包括：
计算所述真实标签数据对应样本图像的输出结果与所述真实标签数据之间的第一损失函数；
计算所述伪标签数据对应样本图像的输出结果与所述伪标签数据之间的第二损失函数；
计算所述第一损失函数与所述第二损失函数的总损失函数。
可选的，处理器1301执行的所述迭代得到训练好的非机动车识别模型，包括：
经过一次迭代后，将所述没有标签数据的样本图像输入到当前迭代次数的非机动车识别模型进行标签预测，并根据第二置信度阈值筛选得到样本图像的伪标签数据。
可选的，处理器1301执行的所述根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率，包括：
设置初始存活参数；
计算当前残差网络的深度值与非机动车识别模型的深度之间的比值，得到当前残差网络的深度比；
根据所述初始存活参数以及所述当前残差网络的深度比，计算所述当前残差网络的第一存活率；
其中，所述第一存活率与所述初始存活参数成正比，所述第一存活率与所述当前残差网络的深度比成反比。
可选的，处理器1301执行的所述根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果，包括：
根据所述第一存活率，随机丢弃所述残差网络；
根据当前残差网络的所述第一存活率与第二存活率，丢弃当前残差网络对于所述样本图样的对应残差。
可选的，处理器1301执行的所述根据当前残差网络的所述第一存活率与第二存活率，丢弃当前残差网络对于所述样本图样的对应残差，包括：
判断当前残差网络的所述第二存活率是否大于等于所述第一存活率；
若所述第二存活率大于等于所述第一存活率，则保持当前残差网络对于所述样本图样的对应残差存活；
若所述第二存活率小于所述第一存活率，则丢弃当前残差网络对于所述样本图样的对应残差。
可选的，所述非机动车识别模型中包括神经元网络，所述神经元网络包括中间神经元，每个所述中间神经元具有固定的第三存活率，处理器1301执行的所述根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果，包括：
根据所述第三存活率，对所述神经元网络中的各个中间神经元进行随机丢弃，得到简化后的神经元网络；
根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的第一输出结果；
将所述第一输出结果输入到简化后的神经元网络中，对所述第一输出结果进行分类，得到第二分类结果。
可选的，所述残差网络中包括有效通道注意力机制。
需要说明的是，上述电子设备可以是可以应用于可以进行非机动车识别的手机、监控器、计算机、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中非机动车识别方法实现的各个过程，且可以达到相同的有益效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的非机动车识别方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。
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)

1.一种非机动车识别方法，其特征在于，包括以下步骤：
获取非机动车识别模型的训练数据，所述非机动车识别模型包括多个残差网络，所述训练数据包括非机动车的样本图像以及标签数据；
根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；
将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图像对应的残差的第二存活率；
根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；
根据所述样本图像的输出结果与对应的标签数据，计算损失函数；
通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；
基于所述训练好的非机动车识别模型对待识别图像进行识别。
2.如权利要求1所述的方法，其特征在于，所述非机动车的标签数据包括真实标签数据与伪标签数据，所述获取非机动车识别模型的训练数据，包括：
获取样本图像，所述样本图像包括具有真实标签数据的样本图像以及没有标签数据的样本图像；
将所述没有标签数据的样本图像输入到预先训练好的标签模型进行标签预测，并根据第一置信度阈值筛选得到样本图像的伪标签数据；
基于所述真实标签数据与所述伪标签数据构建所述非机动车识别模型的训练数据。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
通过所述真实标签数据与对应的样本图像，对所述标签模型进行训练，得到训练好的标签模型。
4.如权利要求2所述的方法，其特征在于，所述根据所述样本图像的输出结果与对应的标签数据，计算损失函数，包括：
计算所述真实标签数据对应样本图像的输出结果与所述真实标签数据之间的第一损失函数；
计算所述伪标签数据对应样本图像的输出结果与所述伪标签数据之间的第二损失函数；
计算所述第一损失函数与所述第二损失函数的总损失函数。
5.如权利要求2所述的方法，其特征在于，所述迭代得到训练好的非机动车识别模型，包括：
经过一次迭代后，将所述没有标签数据的样本图像输入到当前迭代次数的非机动车识别模型进行标签预测，并根据第二置信度阈值筛选得到样本图像的伪标签数据。
6.如权利要求1所述的方法，其特征在于，所述根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率，包括：
设置初始存活参数；
计算当前残差网络的深度值与所述非机动车识别模型的深度之间的比值，得到当前残差网络的深度比；
根据所述初始存活参数以及所述当前残差网络的深度比，计算所述当前残差网络的第一存活率；
其中，所述第一存活率与所述初始存活参数成正比，所述第一存活率与所述当前残差网络的深度比成反比。
7.如权利要求1所述的方法，其特征在于，所述根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果，包括：
根据所述第一存活率，随机丢弃所述残差网络；
根据当前残差网络的所述第一存活率与第二存活率，丢弃当前残差网络对于所述样本图像的对应残差。
8.如权利要求7所述的方法，其特征在于，所述根据当前残差网络的所述第一存活率与第二存活率，丢弃当前残差网络对于所述样本图像的对应残差，包括：
判断当前残差网络的所述第二存活率是否大于等于所述第一存活率；
若所述第二存活率大于等于所述第一存活率，则保持当前残差网络对于所述样本图像的对应残差存活；
若所述第二存活率小于所述第一存活率，则丢弃当前残差网络对于所述样本图像的对应残差。
9.如权利要求1所述的方法，其特征在于，所述非机动车识别模型中包括神经元网络，所述神经元网络包括中间神经元，每个所述中间神经元具有固定的第三存活率，所述根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果，包括：
根据所述第三存活率，对所述神经元网络中的各个中间神经元进行随机丢弃，得到简化后的神经元网络；
根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的第一输出结果；
将所述第一输出结果输入到简化后的神经元网络中，对所述第一输出结果进行分类，得到第二分类结果，将所述第二分类结果作为样本图像的输出结果。
10.如权利要求1至9中任一所述的方法，其特征在于，所述残差网络中包括有效通道注意力机制。
11.一种非机动车识别装置，其特征在于，所述装置包括：
获取模块，用于获取非机动车识别模型的训练数据，所述非机动车识别模型包括多个残差网络，所述训练数据包括非机动车的样本图像以及标签数据；
第一分配模块，用于根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；
第二分配模块，用于将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图像对应的残差的第二存活率；
确定模块，用于根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；
损失计算模块，用于根据所述样本图像的输出结果与对应的标签数据，计算损失函数；
迭代模块，用于通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；
识别模块，用于基于所述训练好的非机动车识别模型对待识别图像进行识别。
12.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至10中任一项所述的非机动车识别方法中的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至10中任一项所述的非机动车识别方法中的步骤。
CN202011467776.6A 2020-12-14 2020-12-14 非机动车识别方法、装置、电子设备及存储介质 Active CN112801128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011467776.6A CN112801128B (zh) 2020-12-14 2020-12-14 非机动车识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011467776.6A CN112801128B (zh) 2020-12-14 2020-12-14 非机动车识别方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112801128A CN112801128A (zh) 2021-05-14
CN112801128B true CN112801128B (zh) 2023-10-13

Family

ID=75806702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011467776.6A Active CN112801128B (zh) 2020-12-14 2020-12-14 非机动车识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112801128B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010244364A (ja) * 2009-04-07 2010-10-28 Nikon Corp 遺伝的処理装置、遺伝的処理方法およびプログラム
CN107918762A (zh) * 2017-10-24 2018-04-17 江西省高速公路投资集团有限责任公司 一种公路遗撒物快速检测系统及方法
CN108399616A (zh) * 2018-02-11 2018-08-14 西安理工大学 基于深度残差网络的骨科病病变分类分级方法
CN108805200A (zh) * 2018-06-08 2018-11-13 中国矿业大学 基于深度孪生残差网络的光学遥感场景分类方法及装置
CN110490134A (zh) * 2019-08-20 2019-11-22 四川九洲电器集团有限责任公司 信号识别方法、设备及存储介质
CN110717873A (zh) * 2019-10-09 2020-01-21 安徽建筑大学 一种基于多尺度残差的交通标识去模糊检测识别算法
CN110827341A (zh) * 2018-08-10 2020-02-21 中国移动通信有限公司研究院 一种图片深度估计方法、装置和存储介质
CN110889316A (zh) * 2018-09-11 2020-03-17 深圳云天励飞技术有限公司 一种目标对象识别方法、装置及存储介质
WO2020077352A1 (en) * 2018-10-12 2020-04-16 Human Longevity, Inc. Multi-omic search engine for integrative analysis of cancer genomic and clinical data
CN111027487A (zh) * 2019-12-11 2020-04-17 山东大学 基于多卷积核残差网络的行为识别系统、方法、介质及设备
CN111310837A (zh) * 2020-02-21 2020-06-19 广州华工邦元信息技术有限公司 车辆改装识别方法、装置、系统、介质和设备
CN111368937A (zh) * 2020-03-19 2020-07-03 京东方科技集团股份有限公司 图像分类方法、装置、及其训练方法、装置、设备、介质
CN111582304A (zh) * 2020-03-26 2020-08-25 中国平安财产保险股份有限公司 基于深度学习的车辆识别方法、装置及计算机设备
WO2020215676A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 基于残差网络的图像识别方法、装置、设备及存储介质
CN111898709A (zh) * 2020-09-30 2020-11-06 中国人民解放军国防科技大学 一种图像分类方法及设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10096109B1 (en) * 2017-03-31 2018-10-09 The Board Of Trustees Of The Leland Stanford Junior University Quality of medical images using multi-contrast and deep learning
CN111488758A (zh) * 2019-01-25 2020-08-04 富士通株式会社 用于驾驶行为识别的深度学习模型、训练装置及方法
US11610085B2 (en) * 2019-02-28 2023-03-21 Adobe Inc. Prototype-based machine learning reasoning interpretation

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010244364A (ja) * 2009-04-07 2010-10-28 Nikon Corp 遺伝的処理装置、遺伝的処理方法およびプログラム
CN107918762A (zh) * 2017-10-24 2018-04-17 江西省高速公路投资集团有限责任公司 一种公路遗撒物快速检测系统及方法
CN108399616A (zh) * 2018-02-11 2018-08-14 西安理工大学 基于深度残差网络的骨科病病变分类分级方法
CN108805200A (zh) * 2018-06-08 2018-11-13 中国矿业大学 基于深度孪生残差网络的光学遥感场景分类方法及装置
CN110827341A (zh) * 2018-08-10 2020-02-21 中国移动通信有限公司研究院 一种图片深度估计方法、装置和存储介质
CN110889316A (zh) * 2018-09-11 2020-03-17 深圳云天励飞技术有限公司 一种目标对象识别方法、装置及存储介质
WO2020077352A1 (en) * 2018-10-12 2020-04-16 Human Longevity, Inc. Multi-omic search engine for integrative analysis of cancer genomic and clinical data
WO2020215676A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 基于残差网络的图像识别方法、装置、设备及存储介质
CN110490134A (zh) * 2019-08-20 2019-11-22 四川九洲电器集团有限责任公司 信号识别方法、设备及存储介质
CN110717873A (zh) * 2019-10-09 2020-01-21 安徽建筑大学 一种基于多尺度残差的交通标识去模糊检测识别算法
CN111027487A (zh) * 2019-12-11 2020-04-17 山东大学 基于多卷积核残差网络的行为识别系统、方法、介质及设备
CN111310837A (zh) * 2020-02-21 2020-06-19 广州华工邦元信息技术有限公司 车辆改装识别方法、装置、系统、介质和设备
CN111368937A (zh) * 2020-03-19 2020-07-03 京东方科技集团股份有限公司 图像分类方法、装置、及其训练方法、装置、设备、介质
CN111582304A (zh) * 2020-03-26 2020-08-25 中国平安财产保险股份有限公司 基于深度学习的车辆识别方法、装置及计算机设备
CN111898709A (zh) * 2020-09-30 2020-11-06 中国人民解放军国防科技大学 一种图像分类方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于不同深度残差网络的图像识别研究;刘永江;张培玲;马天放;;计算机产品与流通(第10期);全文 *

Also Published As

Publication number Publication date
CN112801128A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN109816009B (zh) 基于图卷积的多标签图像分类方法、装置及设备
CN107526785B (zh) 文本分类方法及装置
CN112734775B (zh) 图像标注、图像语义分割、模型训练方法及装置
CN111275711A (zh) 基于轻量级卷积神经网络模型的实时图像语义分割方法
CN112950581A (zh) 质量评估方法、装置和电子设备
CN110909794B (zh) 一种适用于嵌入式设备的目标检测系统
CN113705769A (zh) 一种神经网络训练方法以及装置
CN111695421B (zh) 图像识别方法、装置及电子设备
CN113705811B (zh) 模型训练方法、装置、计算机程序产品及设备
CN114187311A (zh) 一种图像语义分割方法、装置、设备及存储介质
CN110956080A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN112215423A (zh) 一种基于趋势引导与稀疏交互的行人轨迹预测方法及系统
CN114898342A (zh) 行驶中非机动车驾驶员接打电话的检测方法
CN112598062A (zh) 一种图像识别方法和装置
CN114743037A (zh) 一种基于多尺度结构学习的深度医学图像聚类方法
CN109978058B (zh) 确定图像分类的方法、装置、终端及存储介质
CN111310820A (zh) 基于交叉验证深度cnn特征集成的地基气象云图分类方法
CN109101984B (zh) 一种基于卷积神经网络的图像识别方法及装置
CN112101091B (zh) 视频分类方法、电子设备和存储介质
CN112801128B (zh) 非机动车识别方法、装置、电子设备及存储介质
CN112380919A (zh) 一种车辆类别统计方法
CN113838076A (zh) 目标图像中的对象轮廓的标注方法及装置、存储介质
CN114241227A (zh) 一种基于vlad的图像识别方法及装置
CN114495160A (zh) 一种基于改进RFBNet算法的行人检测方法及系统
CN112364720A (zh) 一种车辆类别快速识别与统计方法

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
GR01 Patent grant
GR01 Patent grant