发明内容
本申请所要解决的技术问题是,提供一种确定车型的方法及相关装置,考虑相同品牌下不同车系的共性,将品牌融入品牌+车系的车型分类中,提升待处理车辆图像中车辆的车型确定准确率。
第一方面,本申请实施例提供了一种确定车型的方法,该方法包括:
获取待处理车辆图像,所述待处理车辆图像包括车辆整体外观;
利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得所述待处理车辆图像的品牌预测结果和车型预测结果;
基于所述品牌预测结果和所述车型预测结果,确定所述待处理车辆图像中车辆的车型。
可选的,所述目标车型分类模型的获得步骤包括:
获取标注品牌标签、品牌+车型标签的训练车辆图像;
基于所述训练车辆图像和所述品牌标签训练第一分类网络,获得所述品牌分类子模型;基于所述训练车辆图像和所述品牌+车型标签训练第二分类网络,获得所述车型分类子模型;
基于所述品牌分类子模型和所述车型分类子模型,获得所述目标车型分类模型。
可选的,所述利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得所述待处理车辆图像的品牌预测结果和车型预测结果,包括:
将待处理车辆图像输入所述车辆检测模型获得车辆区域图像;
将所述车辆区域图像输入所述品牌分类子模型获得所述品牌预测结果;将所述车辆区域图像输入所述车型分类子模型获得所述车型预测结果。
可选的,所述品牌预测结果包括预测品牌和对应的预测品牌得分;所述车型预测结果包括预测车型和对应的预测车型得分。
可选的,所述基于所述品牌预测结果和所述车型预测结果,确定所述待处理车辆图像中车辆的车型,包括:
基于所述预测品牌、所述预测品牌得分、所述预测车型和所述预测车型得分,获得所述预测车型对应的目标预测车型得分;
基于所述预测车型对应的目标预测车型得分,确定所述待处理车辆图像中车辆的车型。
可选的,所述基于所述预测品牌、所述预测品牌得分、所述预测车型和所述预测车型得分,获得所述预测车型对应的目标预测车型得分,具体为:
按照所述预测品牌和所述预测车型的对应关系,将所述预测品牌得分和对应的所述预测车型得分相乘,获得所述预测车型对应的目标预测车型得分。
可选的,所述基于所述预测品牌、所述预测品牌得分、所述预测车型和所述预测车型得分,获得所述预测车型对应的目标预测车型得分,具体为:
基于所述预测品牌、所述预测品牌得分、所述预测车型和所述预测车型得分,输入融合神经网络获得所述预测车型对应的目标预测车型得分。
第二方面,本申请实施例提供了一种确定车型的装置,该装置包括:
获取单元,用于获取待处理车辆图像,所述待处理车辆图像包括车辆整体外观;
获得单元,用于利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得所述待处理车辆图像的品牌预测结果和车型预测结果;
确定单元,用于基于所述品牌预测结果和所述车型预测结果,确定所述待处理车辆图像中车辆的车型。
可选的,所述装置还包括目标车型分类模型获得单元,所述目标车型分类模型获得单元包括:
获取子单元,用于获取标注品牌标签、品牌+车型标签的训练车辆图像;
第一获得子单元,用于基于所述训练车辆图像和所述品牌标签训练第一分类网络,获得所述品牌分类子模型;基于所述训练车辆图像和所述品牌+车型标签训练第二分类网络,获得所述车型分类子模型;
第二获得子单元,用于基于所述品牌分类子模型和所述车型分类子模型,获得所述目标车型分类模型。
可选的,所述获得单元包括:
第三获得子单元,用于将待处理车辆图像输入所述车辆检测模型获得车辆区域图像;
第四获得子单元,用于将所述车辆区域图像输入所述品牌分类子模型获得所述品牌预测结果;将所述车辆区域图像输入所述车型分类子模型获得所述车型预测结果。
可选的,所述品牌预测结果包括预测品牌和对应的预测品牌得分;所述车型预测结果包括预测车型和对应的预测车型得分。
可选的,所述确定单元包括:
第五获得子单元,用于基于所述预测品牌、所述预测品牌得分、所述预测车型和所述预测车型得分,获得所述预测车型对应的目标预测车型得分;
确定子单元,用于基于所述预测车型对应的目标预测车型得分,确定所述待处理车辆图像中车辆的车型。
可选的,所述第五获得子单元具体用于:
按照所述预测品牌和所述预测车型的对应关系,将所述预测品牌得分和对应的所述预测车型得分相乘,获得所述预测车型对应的目标预测车型得分。
可选的,所述第五获得子单元具体用于:
基于所述预测品牌、所述预测品牌得分、所述预测车型和所述预测车型得分,输入融合神经网络获得所述预测车型对应的目标预测车型得分。
第三方面,本申请实施例提供了一种用于确定车型的装置,该装置包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取待处理车辆图像,所述待处理车辆图像包括车辆整体外观;
利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得所述待处理车辆图像的品牌预测结果和车型预测结果;
基于所述品牌预测结果和所述车型预测结果,确定所述待处理车辆图像中车辆的车型。
第四方面,本申请实施例提供了一种机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得装置执行如上述第一方面中任一项所述的确定车型的方法。
与现有技术相比,本申请至少具有以下优点:
采用本申请实施例的技术方案,首先,获取包括车辆整体外观的待处理车辆图像;然后,利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得待处理车辆图像的品牌预测结果和车型预测结果;最后,基于品牌预测结果和车型预测结果,确定待处理车辆图像中车辆的车型。由此可见,在不过多增加模型复杂度的情况下,在车型分类子模型的基础上增加品牌分类子模型得到目标车型分类模型,利用目标车型分类模型确定待处理车辆图像中车辆的车型,考虑相同品牌下不同车系的共性,将品牌融入品牌+车系的车型分类中,提升待处理车辆图像中车辆的车型确定准确率。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,当确定车辆图像中车辆的细粒度车型时,通常是将车辆图像输入基于标注品牌+车系标签的车辆图像训练分类网络获得的车型分类模型,输出车型为品牌+车系。但是,发明人经过研究发现,相同品牌下不同车系相比于不同品牌下不同车系具有更多的共性,上述车型分类模型将所有不同车系完全独立,忽略了相同品牌下不同车系的共性,导致车型分类模型不够准确,从而导致利用车型分类模型确定的车型不够准确。
为了解决这一问题,在本申请实施例中,首先,获取包括车辆整体外观的待处理车辆图像;然后,利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得待处理车辆图像的品牌预测结果和车型预测结果;最后,基于品牌预测结果和车型预测结果,确定待处理车辆图像中车辆的车型。由此可见,在不过多增加模型复杂度的情况下,在车型分类子模型的基础上增加品牌分类子模型得到目标车型分类模型,利用目标车型分类模型确定待处理车辆图像中车辆的车型,考虑相同品牌下不同车系的共性,将品牌融入品牌+车系的车型分类中,提升待处理车辆图像中车辆的车型确定准确率。
举例来说,本申请实施例的场景之一,可以是应用到如图1所示的场景中,该场景包括用户终端101和处理器102,用户终端101将待处理车辆图像发送至处理器102,处理器102采用本申请实施例的实施方式获得待处理车辆图像的车型返回至用户终端101,以便用户终端101展示给用户。
可以理解的是,在上述应用场景中,虽然将本申请实施方式的动作描述由处理器102执行,但是,本申请在执行主体方面不受限制,只要执行了本申请实施方式所公开的动作即可。
可以理解的是,上述场景仅是本申请实施例提供的一个场景示例,本申请实施例并不限于此场景。
下面结合附图,通过实施例来详细说明本申请实施例中确定车型的方法及相关装置的具体实现方式。
示例性方法
参见图2,示出了本申请实施例中一种确定车型的方法的流程示意图。在本实施例中,所述方法例如可以包括以下步骤:
步骤201:获取待处理车辆图像,所述待处理车辆图像包括车辆整体外观。
可以理解的是,确定车辆车型首先需要获取包括车辆整体外观的车辆图像作为待处理车辆图像,本申请实施例中并不限定待处理车辆图像的具体获取方式,只要获取包括车辆整体外观的待处理车辆图像即可。
步骤202:利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得所述待处理车辆图像的品牌预测结果和车型预测结果。
需要说明的是,由于现有技术中的车型分类模型仅仅是基于标注品牌+车系标签的车辆图像训练分类网络获得的,将所有不同车系完全独立训练,忽略了相同品牌下不同车系相比于不同品牌下不同车系具有更多共性的特点,导致现有技术中的车型分类模型不够准确,从而导致利用车型分类模型确定的车型不够准确。因此,在本申请实施例中,在不过多增加模型复杂度的情况下,增加品牌分类模型,结合车型分类模型,将两个模型作为子模型得到目标车型分类模型;待处理车辆图像输入目标车型分类模型,既可以得到的品牌预测结果也可以得到车型预测结果,以便后续在车型预测结果的基础上,结合品牌预测结果更加准确地确定待处理车辆图像中车辆的车型。
其中,目标车型分类模型实际获得步骤为:首先,需要大量的既标注品牌标签、又标注品牌+车型标签的训练车辆图像,然后,针对品牌标签和品牌+车型标签两种标注将训练车辆图像输入不同分类网络进行训练获得品牌分类子模型和车型分类子模型;最后,品牌分类子模型结合车型分类子模型即可获得目标车型分类模型。即,在本申请实施例一种可选的实施方式中,所述目标车型分类模型的获得步骤例如可以包括以下步骤:
步骤A:获取标注品牌标签、品牌+车型标签的训练车辆图像。
步骤B:基于所述训练车辆图像和所述品牌标签训练第一分类网络,获得所述品牌分类子模型;基于所述训练车辆图像和所述品牌+车型标签训练第二分类网络,获得所述车型分类子模型。
步骤C:基于所述品牌分类子模型和所述车型分类子模型,获得所述目标车型分类模型。
作为一种示例,如图3所示的目标车型分类模型的结构示意图,目标车型分类模型包括品牌分类子模型和车型分类子模型。其中,品牌分类子模型是基于训练车辆图像和其标注的品牌标签训练第一分类网络获得的,车型分类子模型是基于上述训练车辆图像和和其标注的品牌+车系标签训练第二分类网络获得的。第一分类网络和第二分类网络例如可以采用深度残差网络(ResNet50网络),ResNet50网络的网络结构复杂度较低、分类训练应用耗时较少以及分类准确率较高,即,ResNet50网络相较于其他分类网络的综合优势更明显。
具体地,考虑到待处理车辆图像中可能包括一些较多的非车辆区域图像,非车辆区域图像输入目标车型分类模型无实际意义,只需要将车辆区域图像输入目标车型分类模型即可。因此,在步骤202具体实施过程中,首先,需要通过车辆检测模型检测待处理车辆图像得到车辆区域图像,然后,将车辆区域图像分别输入目标车型分类模型中的品牌分类子模型和车型分类子模型,即可获得品牌预测结果和车型预测结果。即,在本申请实施例一种可选的实施方式中,所述步骤202例如可以包括以下步骤:
步骤D:将待处理车辆图像输入所述车辆检测模型获得车辆区域图像。
作为一种示例,如图4所示的一种待处理车辆图像至车辆区域图像的示意图,左图表示待处理车辆图像,其包括非车辆区域图像和车辆区域图像,将左图输入车辆检测模型可获得右图表示的车辆区域图像。其中,车辆检测模型可以采用目标检测模型(SSD模型),SSD模型的模型较为简单、检测耗时较少以及检测精度较符合实际需求,即,SSD模型相较于其他检测模型的综合优势更明显。
步骤E:将所述车辆区域图像输入所述品牌分类子模型获得所述品牌预测结果;将所述车辆区域图像输入所述车型分类子模型获得所述车型预测结果。
实际上,车辆区域图像输入品牌分类子模型获得的是预测品牌和对应的预测品牌得分组成的品牌预测结果,预测品牌得分越高表示其对应的预测品牌的预测可信度越高;车辆区域图像输入车型分类子模型获得的是预测车型和对应的预测车型得分组成的车型预测结果,预测车型得分越高表示其对应的预测车型的预测可信度越高。因此,在本申请实施例一种可选的实施方式中,所述品牌预测结果包括预测品牌和对应的预测品牌得分;所述车型预测结果包括预测车型和对应的预测车型得分。
作为一种示例,假设图4中右图分别输入品牌分类子模型和车型分类子模型,品牌分类子模型输出的品牌预测结果为“奥迪0.95”、“宝马0.03”、“奔驰0.01”等;车型分类子模型输出的车型预测结果为“奥迪A4 0.80”、“奥迪A3 0.13”、“宝马M3 0.02”、“奔驰C4 0.01”等。
步骤203:基于所述品牌预测结果和所述车型预测结果,确定所述待处理车辆图像中车辆的车型。
需要说明的是,在步骤202获得品牌预测结果和车型预测结果后,不再是仅基于车型预测结果确定待处理车辆图像中车辆的车型,而是在车型预测结果的基础上,结合品牌预测结果综合确定待处理车辆图像中车辆的车型。
具体地,在上述品牌预测结果包括预测品牌和对应的预测品牌得分、车型预测结果包括预测车型和对应的预测车型得分的基础上,由于车型是指品牌+车系,首先,可以综合考虑预测品牌与预测车型,即可通过预测品牌得分和预测车型得分获得预测车型对应的目标预测车型得分;然后,预测车型对应的目标预测车型得分可以确定待处理车辆图像中车辆的车型;其中,目标预测车型得分越高表示其对应的预测车型预测可信度越高。因此,在本申请实施例一种可选的实施方式中,所述步骤203例如可以包括以下步骤:
步骤F:基于所述预测品牌、所述预测品牌得分、所述预测车型和所述预测车型得分,获得所述预测车型对应的目标预测车型得分。
本申请实施例中,至少可以通过以下两种方式获得预测车型对应的目标预测车型得分:
第一种可选的步骤F的实施方式中,预测品牌和预测车型之间存在一定的对应关系,按照该对应关系可以确定预测品牌得分和预测车型得分之间的对应关系,将预测品牌得分和对应的预测车型得分相乘,即可得到目标预测车型得分,该目标预测车型得分对应预测车型。即,所述步骤F例如具体可以为:按照所述预测品牌和所述预测车型的对应关系,将所述预测品牌得分和对应的所述预测车型得分相乘,获得所述预测车型对应的目标预测车型得分。
作为一种示例,在上述示例中,预测品牌“奥迪”与预测车型“奥迪A4”和“奥迪A3”对应,将预测品牌“奥迪”对应的预测品牌得分“0.95”分别和预测车型“奥迪A4”对应的所述预测车型得分“0.80”、预测车型“奥迪A3”对应的所述预测车型得分“0.13”相乘,获得预测车型“奥迪A4”对应的目标预测车型得分“0.76”、预测车型“奥迪A3”对应的目标预测车型得分“0.1325”;预测品牌“宝马”与预测车型“宝马M3”对应,将预测品牌“宝马”对应的预测品牌得分“0.03”和预测车型“宝马M3”对应的所述预测车型得分“0.02”相乘,获得预测车型“宝马M3”对应的目标预测车型得分“0.0006”;预测品牌“奔驰”与预测车型“奔驰C4”对应,将预测品牌“奔驰”对应的预测品牌得分“0.01”和预测车型“奔驰C4”对应的所述预测车型得分“0.01”相乘,获得预测车型“宝马M3”对应的目标预测车型得分“0.0001”。
第二种可选的步骤F的实施方式中,上述第一种可选的步骤F的实施方式较为简单,可以引入融合神经网络,学习预测品牌与预测车型之间的对应关系,融合预测品牌得分和预测车型得分,获得预测车型对应的目标预测车型得分。即,所述步骤F例如具体可以为,具体为:基于所述预测品牌、所述预测品牌得分、所述预测车型和所述预测车型得分,输入融合神经网络获得所述预测车型对应的目标预测车型得分。
步骤G:基于所述预测车型对应的目标预测车型得分,确定所述待处理车辆图像中车辆的车型。
可以理解的是,在步骤F获得预测车型对应的目标预测车型得分后,基于目标预测车型得分表示的含义,即可确定最该目标预测车型得分对应的预测车型为待处理车辆图像中车辆的车型。
作为一种示例,在上述示例中,预测车型“奥迪A4”对应的目标预测车型得分“0.76”,预测车型“奥迪A3”对应的目标预测车型得分“0.1325”,预测车型“宝马M3”对应的目标预测车型得分“0.0006”,预测车型“宝马M3”对应的目标预测车型得分“0.0001”,确定最高目标预测车型得分为“0.76”,将其对应的预测车型“奥迪A4”确定为待处理车辆图像中车辆的车型。
通过本实施例提供的各种实施方式,首先,获取包括车辆整体外观的待处理车辆图像;然后,利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得待处理车辆图像的品牌预测结果和车型预测结果;最后,基于品牌预测结果和车型预测结果,确定待处理车辆图像中车辆的车型。由此可见,在不过多增加模型复杂度的情况下,在车型分类子模型的基础上增加品牌分类子模型得到目标车型分类模型,利用目标车型分类模型确定待处理车辆图像中车辆的车型,考虑相同品牌下不同车系的共性,将品牌融入品牌+车系的车型分类中,不必引入注意力机制即可提升待处理车辆图像中车辆的车型确定准确率。
示例性装置
参见图5,示出了本申请实施例中一种确定车型的装置的结构示意图。在本实施例中,所述装置例如具体可以包括:
获取单元501,用于获取待处理车辆图像,所述待处理车辆图像包括车辆整体外观;
获得单元502,用于利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得所述待处理车辆图像的品牌预测结果和车型预测结果;
确定单元503,用于基于所述品牌预测结果和所述车型预测结果,确定所述待处理车辆图像中车辆的车型。
在本申请实施例一种可选的实施方式中,所述装置还包括目标车型分类模型获得单元,所述目标车型分类模型获得单元包括:
获取子单元,用于获取标注品牌标签、品牌+车型标签的训练车辆图像;
第一获得子单元,用于基于所述训练车辆图像和所述品牌标签训练第一分类网络,获得所述品牌分类子模型;基于所述训练车辆图像和所述品牌+车型标签训练第二分类网络,获得所述车型分类子模型;
第二获得子单元,用于基于所述品牌分类子模型和所述车型分类子模型,获得所述目标车型分类模型。
在本申请实施例一种可选的实施方式中,所述获得单元502包括:
第三获得子单元,用于将待处理车辆图像输入所述车辆检测模型获得车辆区域图像;
第四获得子单元,用于将所述车辆区域图像输入所述品牌分类子模型获得所述品牌预测结果;将所述车辆区域图像输入所述车型分类子模型获得所述车型预测结果。
在本申请实施例一种可选的实施方式中,所述品牌预测结果包括预测品牌和对应的预测品牌得分;所述车型预测结果包括预测车型和对应的预测车型得分。
在本申请实施例一种可选的实施方式中,所述确定单元503包括:
第五获得子单元,用于基于所述预测品牌、所述预测品牌得分、所述预测车型和所述预测车型得分,获得所述预测车型对应的目标预测车型得分;
确定子单元,用于基于所述预测车型对应的目标预测车型得分,确定所述待处理车辆图像中车辆的车型。
在本申请实施例一种可选的实施方式中,所述第五获得子单元具体用于:
按照所述预测品牌和所述预测车型的对应关系,将所述预测品牌得分和对应的所述预测车型得分相乘,获得所述预测车型对应的目标预测车型得分。
在本申请实施例一种可选的实施方式中,所述第五获得子单元具体用于:
基于所述预测品牌、所述预测品牌得分、所述预测车型和所述预测车型得分,输入融合神经网络获得所述预测车型对应的目标预测车型得分。
通过本实施例提供的各种实施方式,首先,获取包括车辆整体外观的待处理车辆图像;然后,利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得待处理车辆图像的品牌预测结果和车型预测结果;最后,基于品牌预测结果和车型预测结果,确定待处理车辆图像中车辆的车型。由此可见,在不过多增加模型复杂度的情况下,在车型分类子模型的基础上增加品牌分类子模型得到目标车型分类模型,利用目标车型分类模型确定待处理车辆图像中车辆的车型,考虑相同品牌下不同车系的共性,将品牌融入品牌+车系的车型分类中,不必引入注意力机制即可提升待处理车辆图像中车辆的车型确定准确率。
图6是根据一示例性实施例示出的一种用于确定车型的装置600的框图。例如,装置600可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,装置600可以包括以下一个或多个组件:处理组件602,存储器604,电源组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制装置600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理部件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统,一个或多个电源,及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相互关联的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当装置600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为装置600提供各个方面的状态评估。例如,传感器组件614可以检测到设备600的打开/关闭状态,组件的相对定位,例如所述组件为装置600的显示器和小键盘,传感器组件614还可以检测装置600或装置600一个组件的位置改变,用户与装置600接触的存在或不存在,装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信部件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由装置600的处理器620执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种确定车型的方法,所述方法包括:
获取待处理车辆图像,所述待处理车辆图像包括车辆整体外观;
利用包括品牌分类子模型和车型分类子模型的目标车型分类模型,获得所述待处理车辆图像的品牌预测结果和车型预测结果;
基于所述品牌预测结果和所述车型预测结果,确定所述待处理车辆图像中车辆的车型。
图7是本申请实施例中服务器的结构示意图。该服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)722(例如,一个或一个以上处理器)和存储器732,一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中,存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器722可以设置为与存储介质730通信,在服务器700上执行存储介质730中的一系列指令操作。
服务器700还可以包括一个或一个以上电源726,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口758,一个或一个以上键盘756,和/或,一个或一个以上操作系统741,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅是本申请的较佳实施例而已,并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上,然而并非用以限定本申请。任何熟悉本领域的技术人员,在不脱离本申请技术方案范围情况下,都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本申请技术方案的内容,依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本申请技术方案保护的范围内。