CN113177527B - 一种车型识别方法及装置 - Google Patents
一种车型识别方法及装置 Download PDFInfo
- Publication number
- CN113177527B CN113177527B CN202110585386.7A CN202110585386A CN113177527B CN 113177527 B CN113177527 B CN 113177527B CN 202110585386 A CN202110585386 A CN 202110585386A CN 113177527 B CN113177527 B CN 113177527B
- Authority
- CN
- China
- Prior art keywords
- vehicle type
- sample
- category
- misrecognized
- training set
- 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
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
Abstract
本发明公开了一种车型识别方法及装置,该方法将训练得到的识别模型进行剪枝,使用剪枝之后的识别模型识别车辆的图像从而确定车辆车型。在训练阶段,本发明确定用于混淆度矩阵组成第一相似车型列表;确定用于组成目标训练样本集的第一样本以及第二样本。由于目标训练样本集是混淆度矩阵判定从而将具有竞争类别的样本放入目标训练样本集,因此避免训练出现震荡问题。在剪枝阶段,重新组成第二识别模型的第二相似车型列表,并确定车型类别连接通道的权重以此得到待剪枝连接通道集合,进一步剪枝。本发明以最大程度保留对相似车型类别组合具有鉴别性能的连接通道方式剪枝,保证识别模型准确度的同时降低识别模型的复杂度,提高车型识别的准确性。
Description
技术领域
本发明属于车辆识别技术领域,具体涉及一种车型识别方法及装置。
背景技术
车型识别是智能交通和自动驾驶领域中视觉感知的关键技术之一,通过车型识别可以在自动驾驶过程中准确避障以及制定最佳驾驶路线。
现有技术中通过获取待识别车辆的视频或者图像,使用训练数据训练深度学习网络得到车型识别模型。例如VGG,Resnet,基于attention model的模型,同时在训练过程中对训练数据进行扩充。最终使用车型识别模型识别待识别车辆的视频或者图像得到待识别车辆车型的识别结果。
现有技术中深度学习网络的网络结构复杂度高,实际应用到车辆系统中较难实现,为了降低网络复杂度,现有技术提出通过剪枝、量化等方式对深度学习网络的网络结构进行压缩。但是该种方式同时降低了深度学习网络模型的准确性。之后现有技术提出通过对压缩后的深度学习网络进行系统调优,系统调优是无差别对所有训练数据调优,效率低下且易导致在调优过程中出现梯度震荡现象,使得识别结果准确性降低。
发明内容
本发明提供了一种训练集数据的标注方法及装置,以提高训练集数据的标注效率。具体的技术方案如下。
第一方面,本发明提供的一种车型识别方法包括:
获取待识别车辆的图像;
在训练得到的识别模型的各个特征节点中,确定当前特征节点到输出层的车型类别节点之间的各个通道的权重;
其中,训练后的识别模型是通过预设的第一识别模型识别第一训练集中的训练样本,确定用于描述误识别训练样本的原始车辆类别与误识别车型类别之间对应的混淆度矩阵,将所述混淆度矩阵中相似度超过相似度阈值的原始车型类别与误识别车型类别组成第一相似车型列表;基于所述第一相似车型列表中的车型类别,确定用于组成目标训练集的第一样本以及第二样本;使用所述目标训练集对所述第一识别模型进行训练得到的第二识别模型;
将权重小于第一权重阈值的连接通道组成待剪枝连接通道集合;
针对第二相似车型列表中对应的车型类别,如果当前特征节点到该车型类别对应的车型类别节点的最大权重小于第二权重阈值,则在所述待剪枝连接通道集合中保留当前特征节点到该车型类别节点的所有连接通道;
其中,所述第二相似车型列表是基于第二识别模型的混淆度矩阵,重新组成的相似车型列表;
在所述第二识别模型的全连接层剪掉在所述待剪枝连接通道集合中的连接通道,得到剪枝后的第二识别模型;
使用剪枝后的第二识别模型,识别所述待识别车辆的图像,得到所述待识别车辆的车型类别。
可选的,所述确定用于描述误识别训练样本的原始车辆类别与误识别车型类别之间对应的混淆度矩阵包括:
获取第一训练集;
针对所述第一训练集中的每个训练样本,使用预设的第一识别模型识别所述样本,得到所述训练集的第一识别结果;
在所述第一识别结果中,确定第一识别模型的混淆度矩阵;
其中,所述混淆度矩阵中每个元素描述误识别样本的原始车型类别与误识别车型类别之间的对应关系。
可选的,所述将所述混淆度矩阵中相似度超过相似度阈值的原始车型类别与误识别车型类别组成第一相似车型列表包括:
计算每个误识别样本的原始车型类别与误识别车型类别之间的相似度;
针对相似度超过相似度阈值的每个误识别样本,将该误识别样本的原始车型类别与误识别车型类别组成第一相似车型列表。
可选的,所述基于所述第一相似车型列表中的车型类别,确定用于组成目标训练集的第一样本以及第二样本的步骤,包括:
基于预设的目标样本数值,确定原始车型类别下的第一样本数以及误识别车型类别下的第二样本数;
从所述第一训练集中采样得到第一样本直至达到第一样本数,并采集第二样本直至达到第二样本数;
将第一样本以及第二样本组成目标训练集。
可选的,所述基于预设的目标样本数值,确定原始车型类别下的第一样本数以及误识别车型类别下的第二样本数的步骤包括:
将预设的目标样本数值与元素之差的乘积,确定为原始车型类别下的第一样本数;
其中,元素之差为数值1与所述第一相似车型列表中每个元素之和的差值;
将预设的目标样本数值与所述第一相似车型列表中每个元素之和的乘积,确定为第二样本数。
可选的,所述将第一样本以及第二样本组成目标训练集包括:
从原始车型类别下的样本中选择第一样本加入目标训练集中,在误识别车型类别下的样本中选择第二样本加入目标训练集;
当所述目标训练集中的样本数未达到目标样本数值时,从原始车型类别下的样本中选择第一样本加入目标训练集直至目标训练集中的样本数达到目标样本数值。
可选的,所述基于第二识别模型的混淆度矩阵,重新组成的相似车型列表包括:
获取第二训练集;
针对所述第二训练集中的每个训练样本,使用第二识别模型识别所述样本,得到所述第二训练集的第二识别结果;
在所述第二识别结果中,确定第二识别模型的混淆度矩阵;
计算所述混淆度矩阵中的每个误识别样本的原始车型类别与误识别车型类别之间的相似度;
针对相似度超过相似度阈值的每个误识别样本,将该误识别样本的原始车型类别与误识别车型类别组成第二相似车型列表。
第二方面,本发明提供的一种车型识别装置包括:
获取模块,用于获取待识别车辆的图像;
确定模块,用于在训练得到的识别模型的各个特征节点中,确定当前特征节点到输出层的车型类别节点之间的各个通道的权重;
其中,训练后的识别模型是通过预设的第一识别模型识别第一训练集中的训练样本,确定用于描述误识别训练样本的原始车辆类别与误识别车型类别之间对应的混淆度矩阵,将所述混淆度矩阵中相似度超过相似度阈值的原始车型类别与误识别车型类别组成第一相似车型列表;基于所述第一相似车型列表中的车型类别,确定用于组成目标训练集的第一样本以及第二样本;使用所述目标训练集对所述第一识别模型进行训练得到的第二识别模型;
组成模块,用于将权重小于第一权重阈值的连接通道组成待剪枝连接通道集合;
筛选模块,用于针对第二相似车型列表中对应的车型类别,如果当前特征节点到该车型类别对应的车型类别节点的最大权重小于第二权重阈值,则在所述待剪枝连接通道集合中保留当前特征节点到该车型类别节点的所有连接通道;
其中,所述第二相似车型列表是基于第二识别模型的混淆度矩阵,重新组成的相似车型列表;
剪枝模块,用于在所述第二识别模型的全连接层剪掉在所述待剪枝连接通道集合中的连接通道,得到剪枝后的第二识别模型;
识别模块,用于使用剪枝后的第二识别模型,识别所述待识别车辆的图像,得到所述待识别车辆的车型类别。
可选的,所述车型识别装置还包括:矩阵计算模块,用于:
获取第一训练集;
针对所述第一训练集中的每个训练样本,使用预设的第一识别模型识别所述样本,得到所述第一训练集的第一识别结果;
在所述第一识别结果中,确定第一识别模型的混淆度矩阵;
其中,所述混淆度矩阵中每个元素描述误识别样本的原始车型类别与误识别车型类别之间的对应关系。
本发明实施例的创新点包括:
1、本发明提出了一种车型识别方法及装置,该方法使用通过训练以及剪枝之后的识别模型识别车辆的图像从而确定车辆车型。在训练阶段,本发明确定用于描述误识别训练样本的原始车辆类别与误识别车型类别之间对应的混淆度矩阵,将混淆度矩阵中相似度超过相似度阈值的原始车型类别与误识别车型类别组成第一相似车型列表;确定用于组成目标训练样本集的第一样本以及第二样本。由于目标训练样本集是混淆度矩阵判定从而将具有竞争类别的样本放入目标训练样本集,因此避免训练出现震荡问题,进而可以提高识别模型的准确性。
2、本发明提出了一种车型识别方法及装置,该方法使用通过训练以及剪枝之后的识别模型识别车辆的图像从而确定车辆车型。在剪枝阶段,重新组成第二识别模型的第二相似车型列表,并确定车型类别连接通道的权重以此得到待剪枝连接通道集合,进一步剪枝。本发明以最大程度保留对相似车型类别组合具有鉴别性能的连接通道方式剪枝,得到最终的识别模型,保证识别模型准确度的同时降低识别模型的复杂度,提高车型识别的准确性。
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为本发明实施例提供的一种车型识别方法的流程示意图;
图2为本发明实施例提供的训练和量化剪枝的过程示意图;
图3为本发明实施例提供的一种车型识别装置的结构示意图。
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、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,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付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。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
图1为本发明实施例提供的一种车型识别方法的流程示意图。该方法应用于识别车辆的车。该方法具体包括以下步骤。
S110:获取待识别车辆的图像;
其中,本步骤可以摄像机采集车辆的视频或者图像。
S111:在训练得到的识别模型的各个特征节点中,确定当前特征节点到输出层的车型类别节点之间的各个通道的权重;
其中,训练后的识别模型是通过预设的第一识别模型识别第一训练集中的训练样本,确定用于描述误识别训练样本的原始车辆类别与误识别车型类别之间对应的混淆度矩阵,将所述混淆度矩阵中相似度超过相似度阈值的原始车型类别与误识别车型类别组成第一相似车型列表;基于所述第一相似车型列表中的车型类别,确定用于组成目标训练集的第一样本以及第二样本;使用所述目标训练集对所述第一识别模型进行训练得到的第二识别模型;
S112:将权重小于第一权重阈值的连接通道组成待剪枝连接通道集合;
S113:针对第二相似车型列表中对应的车型类别,如果当前特征节点到该车型类别对应的车型类别节点的最大权重小于第二权重阈值,则在所述待剪枝连接通道集合中保留当前特征节点到该车型类别节点的所有连接通道;
其中,所述第二相似车型列表是基于第二识别模型的混淆度矩阵,重新组成的相似车型列表;
S114:在所述第二识别模型的全连接层剪掉在所述待剪枝连接通道集合中的连接通道,得到剪枝后的第二识别模型;
S115:使用剪枝后的第二识别模型,识别所述待识别车辆的图像,得到所述待识别车辆的车型类别。
其中,车型类别i和车型类别j之间的相似度SDij定义为:
相似度阈值时预先设定的数值,第一样本是原始车型类别下的样本,第二样本是误识别车型类别下的样本,相似度阈值用th表示,SDij越大表明车型类别i和类别j之间的相似程度越大,通过对SDij>th的车型类别对根据相似度按降序排列作为相似车型列表SD。th为相似度阈值,本发明可以设置为0.1。
其中,第一权重阈值以及第二权重阈值都是预先设定的数值,第二权重阈值大于第一权重阈值。当前特征节点是全连接层中任一特征节点。
可以理解,剪枝按照一个基本原则即识别性能好的类别可以多剪枝,识别差的类别可以少剪枝。剪枝前重新进行训练之后模型的混淆度矩阵统计。
剪枝算法如下:
遍历所有特征节点到类别节点的所有权重,类别节点位于输出层,实际剪枝过程如下:
1)查找当前特征节点到类别节点权重小于第一权重阈值th1的连接作为待剪枝的候选集合;
2)查找当前特征节点到第二相似车型列表SD中车型类别对应的类别节点的最大权重;
其中c为第二相似车型列表SD中包含的车型类别。如果最大权重小于第二权重阈值th2(th2>th1),则保留待剪枝的候选集合中候选节点中当前节点到SD列表中所有车型类别的连接,之后将待剪枝候选集合中剪掉候选集合中的连接通道。
参考图2,本发明中的识别模型可以采用CNN网络,训练过程与现有提出的CNN的训练方法以及loss的选择都可以相同,也可以根据实际情况选择不同的CNN主干网络或者loss函数,本发明在训练过程中冻结CNN主干网络的参数更新,只对全连接层权重进行更新完成训练。本发明的训练过程是优化1,优化1之前需要首先计算混淆度矩阵,在完成优化1之后,优化2即为剪枝过程,剪枝过程中需要重新得到混淆度矩阵,从而进一步确定需要剪枝的连接通道,完成优化2过程,优化2完成后即可得到识别模型。
本发明公开了一种车型识别方法及装置,该方法将训练得到的识别模型进行剪枝,使用剪枝之后的识别模型识别车辆的图像从而确定车辆车型。在训练阶段,本发明确定用于混淆度矩阵组成第一相似车型列表;确定用于组成目标训练样本集的第一样本以及第二样本。由于目标训练样本集是混淆度矩阵判定从而将具有竞争类别的样本放入目标训练样本集,因此避免训练出现震荡问题。在剪枝阶段,重新组成第二识别模型的第二相似车型列表,并确定车型类别连接通道的权重以此得到待剪枝连接通道集合,进一步剪枝。本发明以最大程度保留对相似车型类别组合具有鉴别性能的连接通道方式剪枝,保证识别模型准确度的同时降低识别模型的复杂度,提高车型识别的准确性。
作为本发明一种可选的实施方式,确定用于描述误识别训练样本的原始车辆类别与误识别车型类别之间对应的混淆度矩阵包括:
步骤一:获取第一训练集;
步骤二:针对第一训练集中的每个训练样本,使用预设的第一识别模型识别样本,得到训练集的第一识别结果;
步骤三:在第一识别结果中,确定第一识别模型的混淆度矩阵;
其中,混淆度矩阵中每个元素描述误识别样本的原始车型类别与误识别车型类别之间的对应关系。
作为本发明一种可选的实施方式,将混淆度矩阵中相似度超过相似度阈值的原始车型类别与误识别车型类别组成第一相似车型列表包括:
步骤一:计算每个误识别样本的原始车型类别与误识别车型类别之间的相似度;
步骤二:针对相似度超过相似度阈值的每个误识别样本,将该误识别样本的原始车型类别与误识别车型类别组成第一相似车型列表。
作为本发明一种可选的实施方式,基于第一相似车型列表中的车型类别,确定用于组成目标训练集的第一样本以及第二样本的步骤,包括:
步骤一:基于预设的目标样本数值,确定原始车型类别下的第一样本数以及误识别车型类别下的第二样本数;
步骤二:从第一训练集中采样得到第一样本直至达到第一样本数,并采集第二样本直至达到第二样本数;
步骤三:将第一样本以及第二样本组成目标训练集。
作为本发明一种可选的实施方式,基于预设的目标样本数值,确定原始车型类别下的第一样本数以及误识别车型类别下的第二样本数的步骤包括:
步骤一:将预设的目标样本数值与元素之差的乘积,确定为原始车型类别下的第一样本数;
其中,元素之差为数值1与第一相似车型列表中每个元素之和的差值;
步骤二:将预设的目标样本数值与第一相似车型列表中每个元素之和的乘积,确定为第二样本数。
本实施方式,首先确定目标训练集中目标样本数值为L,然后确定当前类别i即原始车型类别下的样本数为SDij>th,其它竞争类别j,即误识别车型类别的第二样本数为L*SDij,然后使用第一样本以及第二样本组成目标训练集。
作为本发明一种可选的实施方式,将第一样本以及第二样本组成目标训练集包括:
步骤一:从原始车型类别下的样本中选择第一样本加入目标训练集中,在误识别车型类别下的样本中选择第二样本加入目标训练集;
步骤二:当目标训练集中的样本数未达到目标样本数值时,从原始车型类别下的样本中选择第一样本加入目标训练集直至目标训练集中的样本数达到目标样本数值。
作为本发明一种可选的实施方式,基于第二识别模型的混淆度矩阵,重新组成第二识别模型的第二相似车型列表的步骤包括:
步骤一:获取第二训练集;
步骤二:针对第二训练集中的每个训练样本,使用第二识别模型识别样本,得到第二训练集的第二识别结果;
步骤三:在第二识别结果中,确定第二识别模型的混淆度矩阵;
步骤四:计算混淆度矩阵中的每个误识别样本的原始车型类别与误识别车型类别之间的相似度;
步骤五:针对相似度超过相似度阈值的每个误识别样本,将该误识别样本的原始车型类别与误识别车型类别组成第二相似车型列表。
如图3所示,本发明提供的一种车型识别装置,包括:
获取模块30,用于获取待识别车辆的图像;
确定模块31,用于在训练得到的识别模型的各个特征节点中,确定当前特征节点到输出层的车型类别节点之间的各个通道的权重;
其中,训练后的识别模型是通过预设的第一识别模型识别第一训练集中的训练样本,确定用于描述误识别训练样本的原始车辆类别与误识别车型类别之间对应的混淆度矩阵,将所述混淆度矩阵中相似度超过相似度阈值的原始车型类别与误识别车型类别组成第一相似车型列表;基于所述第一相似车型列表中的车型类别,确定用于组成目标训练集的第一样本以及第二样本;使用所述目标训练集对所述第一识别模型进行训练得到的第二识别模型;
组成模块32,用于将权重小于第一权重阈值的连接通道组成待剪枝连接通道集合;
筛选模块33,用于针对第二相似车型列表中对应的车型类别,如果当前特征节点到该车型类别对应的车型类别节点的最大权重小于第二权重阈值,则在所述待剪枝连接通道集合中保留当前特征节点到该车型类别节点的所有连接通道;
其中,所述第二相似车型列表是基于第二识别模型的混淆度矩阵,重新组成的相似车型列表;
剪枝模块34,用于在所述第二识别模型的全连接层剪掉在所述待剪枝连接通道集合中的连接通道,得到剪枝后的第二识别模型;
识别模块35,用于使用剪枝后的第二识别模型,识别所述待识别车辆的图像,得到所述待识别车辆的车型类别。
可选的,所述车型识别装置还包括:矩阵计算模块,用于:
获取第一训练集;
针对所述第一训练集中的每个训练样本,使用预设的第一识别模型识别所述样本,得到所述第一训练集的第一识别结果;
在所述第一识别结果中,确定第一识别模型的混淆度矩阵;
其中,所述混淆度矩阵中每个元素描述误识别样本的原始车型类别与误识别车型类别之间的对应关系。
上述装置实施例与方法实施例相对应,与该方法实施例具有同样的技术效果,具体说明参见方法实施例。装置实施例是基于方法实施例得到的,具体的说明可以参见方法实施例部分,此处不再赘述。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (9)
1.一种车型识别方法,其特征在于,所述方法包括:
获取待识别车辆的图像;
在训练得到的识别模型的各个特征节点中,确定当前特征节点到输出层的车型类别节点之间的各个通道的权重;
其中,训练得到的识别模型是如下方式训练得到的第二识别模型:
通过预设的第一识别模型识别第一训练集中的训练样本;确定用于描述误识别训练样本的原始车辆类别与误识别车型类别之间对应的混淆度矩阵;计算每个误识别样本的原始车型类别与误识别车型类别之间的相似度;针对相似度超过相似度阈值的每个误识别样本,将该误识别样本的原始车型类别与误识别车型类别组成第一相似车型列表;基于所述第一相似车型列表中的车型类别,确定用于组成目标训练集的第一样本以及第二样本;使用所述目标训练集对所述第一识别模型进行训练得到的第二识别模型;
将权重小于第一权重阈值的连接通道组成待剪枝连接通道集合;
针对第二相似车型列表中对应的车型类别,如果当前特征节点到该车型类别对应的车型类别节点的最大权重小于第二权重阈值,则在所述待剪枝连接通道集合中保留当前特征节点到该车型类别节点的所有连接通道;
其中,所述第二相似车型列表是基于第二识别模型的混淆度矩阵,重新组成的相似车型列表;
在所述第二识别模型的全连接层剪掉在所述待剪枝连接通道集合中的连接通道,得到剪枝后的第二识别模型;
使用剪枝后的第二识别模型,识别所述待识别车辆的图像,得到所述待识别车辆的车型类别。
2.根据权利要求1所述的车型识别方法,其特征在于,所述确定用于描述误识别训练样本的原始车辆类别与误识别车型类别之间对应的混淆度矩阵包括:
获取第一训练集;
针对所述第一训练集中的每个训练样本,使用预设的第一识别模型识别所述样本,得到所述训练集的第一识别结果;
在所述第一识别结果中,确定第一识别模型的混淆度矩阵;
其中,所述混淆度矩阵中每个元素描述误识别样本的原始车型类别与误识别车型类别之间的对应关系。
3.根据权利要求1所述的车型识别方法,其特征在于,所述基于所述第一相似车型列表中的车型类别,确定用于组成目标训练集的第一样本以及第二样本的步骤,包括:
基于预设的目标样本数值,确定原始车型类别下的第一样本数以及误识别车型类别下的第二样本数;
从所述第一训练集中采样得到第一样本直至达到第一样本数,并采集第二样本直至达到第二样本数;
将第一样本以及第二样本组成目标训练集。
5.根据权利要求4所述的车型识别方法,其特征在于,所述将第一样本以及第二样本组成目标训练集包括:
从原始车型类别下的样本中选择第一样本加入目标训练集中,在误识别车型类别下的样本中选择第二样本加入目标训练集;
当所述目标训练集中的样本数未达到目标样本数值时,从原始车型类别下的样本中选择第一样本加入目标训练集直至目标训练集中的样本数达到目标样本数值。
6.根据权利要求1所述的车型识别方法,其特征在于,所述基于第二识别模型的混淆度矩阵,重新组成的相似车型列表包括:
获取第二训练集;
针对所述第二训练集中的每个训练样本,使用第二识别模型识别所述样本,得到所述第二训练集的第二识别结果;
在所述第二识别结果中,确定第二识别模型的混淆度矩阵;
计算所述混淆度矩阵中的每个误识别样本的原始车型类别与误识别车型类别之间的相似度;
针对相似度超过相似度阈值的每个误识别样本,将该误识别样本的原始车型类别与误识别车型类别组成第二相似车型列表。
8.一种车型识别装置,其特征在于,包括:
获取模块,用于获取待识别车辆的图像;
确定模块,用于在训练得到的识别模型的各个特征节点中,确定当前特征节点到输出层的车型类别节点之间的各个通道的权重;
其中,训练得到的识别模型是通过如下方式训练得到的第二识别模型:
通过预设的第一识别模型识别第一训练集中的训练样本;确定用于描述误识别训练样本的原始车辆类别与误识别车型类别之间对应的混淆度矩阵;计算每个误识别样本的原始车型类别与误识别车型类别之间的相似度;针对相似度超过相似度阈值的每个误识别样本,将该误识别样本的原始车型类别与误识别车型类别组成第一相似车型列表;基于所述第一相似车型列表中的车型类别,确定用于组成目标训练集的第一样本以及第二样本;使用所述目标训练集对所述第一识别模型进行训练得到的第二识别模型;
组成模块,用于将权重小于第一权重阈值的连接通道组成待剪枝连接通道集合;
筛选模块,用于针对第二相似车型列表中对应的车型类别,如果当前特征节点到该车型类别对应的车型类别节点的最大权重小于第二权重阈值,则在所述待剪枝连接通道集合中保留当前特征节点到该车型类别节点的所有连接通道;
其中,所述第二相似车型列表是基于第二识别模型的混淆度矩阵,重新组成的相似车型列表;
剪枝模块,用于在所述第二识别模型的全连接层剪掉在所述待剪枝连接通道集合中的连接通道,得到剪枝后的第二识别模型;
识别模块,用于使用剪枝后的第二识别模型,识别所述待识别车辆的图像,得到所述待识别车辆的车型类别。
9.根据权利要求8所述的车型识别装置,其特征在于,所述车型识别装置还包括:矩阵计算模块,用于:
获取第一训练集;
针对所述第一训练集中的每个训练样本,使用预设的第一识别模型识别所述样本,得到所述第一训练集的第一识别结果;
在所述第一识别结果中,确定第一识别模型的混淆度矩阵;
其中,所述混淆度矩阵中每个元素描述误识别样本的原始车型类别与误识别车型类别之间的对应关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110585386.7A CN113177527B (zh) | 2021-05-27 | 2021-05-27 | 一种车型识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110585386.7A CN113177527B (zh) | 2021-05-27 | 2021-05-27 | 一种车型识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177527A CN113177527A (zh) | 2021-07-27 |
CN113177527B true CN113177527B (zh) | 2022-09-23 |
Family
ID=76927580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110585386.7A Active CN113177527B (zh) | 2021-05-27 | 2021-05-27 | 一种车型识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177527B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862340A (zh) * | 2017-11-16 | 2018-03-30 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及装置 |
CN109934293A (zh) * | 2019-03-15 | 2019-06-25 | 苏州大学 | 图像识别方法、装置、介质及混淆感知卷积神经网络 |
CN111143338A (zh) * | 2019-12-18 | 2020-05-12 | 贵州智诚科技有限公司 | 一种基于交通违法数据上传质量的车牌信息恢复方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10755136B2 (en) * | 2017-05-16 | 2020-08-25 | Nec Corporation | Pruning filters for efficient convolutional neural networks for image recognition in vehicles |
US11847568B2 (en) * | 2019-07-30 | 2023-12-19 | Perceive Corporation | Quantizing neural networks using shifting and scaling |
CN111340041B (zh) * | 2020-03-13 | 2023-03-24 | 安阳工学院 | 一种基于深度学习的车牌识别方法及装置 |
CN111626330B (zh) * | 2020-04-23 | 2022-07-26 | 南京邮电大学 | 基于多尺度特征图重构和知识蒸馏的目标检测方法与系统 |
CN111860334A (zh) * | 2020-07-22 | 2020-10-30 | 安阳工学院 | 一种基于混淆度矩阵的级联车型分类方法及装置 |
CN112070051B (zh) * | 2020-09-16 | 2022-09-20 | 华东交通大学 | 基于剪枝压缩的疲劳驾驶快速检测方法 |
CN112163628A (zh) * | 2020-10-10 | 2021-01-01 | 北京航空航天大学 | 一种适用于嵌入式设备的改进目标实时识别网络结构的方法 |
CN112784885B (zh) * | 2021-01-11 | 2022-05-24 | 腾讯科技(深圳)有限公司 | 基于人工智能的自动驾驶方法、装置、设备、介质及车辆 |
-
2021
- 2021-05-27 CN CN202110585386.7A patent/CN113177527B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862340A (zh) * | 2017-11-16 | 2018-03-30 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及装置 |
CN109934293A (zh) * | 2019-03-15 | 2019-06-25 | 苏州大学 | 图像识别方法、装置、介质及混淆感知卷积神经网络 |
CN111143338A (zh) * | 2019-12-18 | 2020-05-12 | 贵州智诚科技有限公司 | 一种基于交通违法数据上传质量的车牌信息恢复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113177527A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331710B (zh) | 开关状态识别系统 | |
CN109684906B (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN104463196A (zh) | 一种基于视频的天气现象识别方法 | |
CN106934455B (zh) | 基于cnn的遥感影像光学适配结构选取方法及系统 | |
CN101221623A (zh) | 一种物体类型的在线训练和识别方法及其系统 | |
CN109740549B (zh) | 基于半监督cnn的sar图像目标检测系统和方法 | |
CN108052887A (zh) | 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法 | |
CN106202274B (zh) | 一种基于贝叶斯网络的缺陷数据自动文摘分类方法 | |
CN112115957A (zh) | 数据流识别方法及装置、计算机存储介质 | |
CN109446964A (zh) | 基于端到端单级多尺度检测器的面部检测分析方法及装置 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
CN111241905A (zh) | 基于改进ssd算法的输电线路鸟窝检测方法 | |
CN113177527B (zh) | 一种车型识别方法及装置 | |
CN112802027A (zh) | 一种目标对象的分析方法、存储介质及电子装置 | |
CN113516156A (zh) | 一种基于多源信息融合的细粒度图像分类方法 | |
CN115272242B (zh) | 一种基于YOLOv5的光学遥感图像目标检测方法 | |
CN116401586A (zh) | 一种全场景业务智能感知与精准分类的方法 | |
CN112085164A (zh) | 一种基于无锚框网络的区域推荐网络提取方法 | |
CN113807404B (zh) | 面向多源信息融合的智慧交通网络智能化监控与应急系统 | |
CN113805252B (zh) | 基于集合预报模型的登陆热带气旋过程大风预报系统 | |
CN111860334A (zh) | 一种基于混淆度矩阵的级联车型分类方法及装置 | |
CN113378787B (zh) | 一种基于多特征视觉的智能交通电子提示装置检测方法及系统 | |
CN113269195A (zh) | 读数表图像字符识别方法和装置以及可读存储介质 | |
CN117708379A (zh) | 视频检索方法、装置、系统、电子设备及存储介质 |
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 |