CN113313086B - 特征向量转换模型处理方法、装置、服务器及存储介质 - Google Patents
特征向量转换模型处理方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN113313086B CN113313086B CN202110854046.XA CN202110854046A CN113313086B CN 113313086 B CN113313086 B CN 113313086B CN 202110854046 A CN202110854046 A CN 202110854046A CN 113313086 B CN113313086 B CN 113313086B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- vector set
- vehicle identification
- model
- 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.)
- 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
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种特征向量转换模型处理方法、装置、服务器及计算机存储介质。其中,特征向量转换模型处理方法,包括:将预设的训练样本集分别输入到N个车辆识别模型中,输出初始特征向量集,N为大于1的整数;对初始特征向量集进行特征向量融合处理,得到目标特征向量集,目标特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值;根据初始特征向量集与目标特征向量集,分别建立与每一车辆识别模型关联的目标特征向量转换模型。本申请实施例有效克服了现有技术中所存在的数据割裂的缺陷,进而有助于准确对车辆进行识别。
Description
技术领域
本申请属于机器学习技术领域,尤其涉及一种特征向量转换模型处理方法、装置、服务器及存储介质。
背景技术
目前,车辆识别技术已经越来越多地应用到道路交通等领域中。基于识别模型对包括车辆的影像数据进行特征向量的提取,将提取的特征向量与特征向量库进行匹配,以实现对车辆的识别,已经成为比较常见的车辆识别技术。
然而,实际应用中,识别模型可能会存在多种,同一车辆的影像数据通过不同识别模型提取出的特征向量之间也会存在差距。换而言之,不同识别模型提取出的特征向量存在数据割裂的情况,导致难以准确对车辆进行识别。
发明内容
本申请实施例提供一种特征向量转换模型处理方法、装置、服务器及存储介质,以解决相关技术中不同识别模型提取出的特征向量存在数据割裂的情况,导致难以准确对车辆进行识别的问题。
第一方面,本申请实施例提供一种特征向量转换模型处理方法,方法包括:
将预设的训练样本集分别输入到N个车辆识别模型中,输出初始特征向量集,N为大于1的整数;
对初始特征向量集进行特征向量融合处理,得到目标特征向量集,目标特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值;
根据初始特征向量集与目标特征向量集,分别建立与每一车辆识别模型关联的目标特征向量转换模型。
第二方面,本申请实施例提供了一种特征向量转换模型处理装置,装置包括:
第一输出模块,用于将预设的训练样本集分别输入到N个车辆识别模型中,输出初始特征向量集,N为大于1的整数;
融合处理模块,用于对初始特征向量集进行特征向量融合处理,得到目标特征向量集,目标特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值;
第一建立模块,用于根据初始特征向量集与目标特征向量集,分别建立与每一车辆识别模型关联的目标特征向量转换模型。
第三方面,本申请实施例提供了一种服务器,服务器包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面所示的特征向量转换模型处理方法。
第四方面,本申请实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面所示的特征向量转换模型处理方法。
本申请实施例提供的特征向量转换模型处理方法,将预设的训练样本集分别输入到N个车辆识别模型中,输出初始特征向量集,对初始特征向量集进行特征向量融合处理,得到与初始特征向量集之间的相似度大于或等于第一相似度阈值的目标特征向量集,根据初始特征向量集与目标特征向量集,分别建立与每一车辆识别模型关联的目标特征向量转换模型。本实施例中,通过针对每一车辆识别模型关联的目标特征向量转换模型,有助于将各车辆识别模型输出的特征向量转换成较为通用的特征向量,有效克服了现有技术中所存在的数据割裂的缺陷,进而有助于准确对车辆进行识别。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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是本申请实施例提供的特征向量转换模型处理方法的流程示意图;
图2是生成目标特征向量集的原理图
图3是建立各个车辆识别模型关联的目标特征向量转换模型的原理图;
图4是获取标准特征向量集的原理图;
图5是本申请实施例提供的特征向量转换模型处理装置的结构示意图;
图6是本申请实施例提供的服务器的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
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。而且,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……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题,本申请实施例提供了一种特征向量转换模型处理方法、装置、服务器及计算机存储介质。下面首先对本申请实施例所提供的特征向量转换模型处理方法进行介绍。
图1示出了本申请一个实施例提供的特征向量转换模型处理方法的流程示意图。如图1所示,该方法包括:
步骤101,将预设的训练样本集分别输入到N个车辆识别模型中,输出初始特征向量集,N为大于1的整数;
步骤102,对初始特征向量集进行特征向量融合处理,得到目标特征向量集,目标特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值;
步骤103,根据初始特征向量集与目标特征向量集,分别建立与每一车辆识别模型关联的目标特征向量转换模型。
以下主要以特征向量转换模型处理方法应用于服务器为例进行说明
步骤101中,预设的训练样本集,可以是包括了各种车辆的图像或者视频等。为了简化说明,可以认为训练样本集包括了M张样本图像。该训练样本集可以记为X,且有X=(x 1,x 2,x 3,…,x i ,…,x M),其中,x i ,表示第i张样本图像。
将训练样本集X分别输入到N个车辆识别模型中,可以输出初始特征向量集,初始特征向量集可以记为Y,Y中的各个特征向量可以称为初始特征向量。
通常来说,Y中可以包括M×N个特征向量。比如,x 1分别输入到N个车辆识别模型中,可以得到一个向量集Y1=(FA1,FB1,FC1,…,FN1),x 2分别输入到N个车辆识别模型中,可以得到一个向量集Y2=(FA2,FB2,FC2,…,FN2),以此类推。其中,Y1与Y2均可以认为是Y的子集。当然,在实际应用中,也可以根据需要,选择性地将部分样本图像输入至某一车辆识别模型中。
步骤102中,可以针对初始特征向量集Y进行特征向量融合处理,其具体的融合方式,可以包括统一向量维度、权重和的形式融合、向量连接、向量组合、向量指定以及归一化等方式中的一种或多种,此处可不做具体限定。
其中,统一向量维度可以是指将Y中的各个特征向量的维度统一成预设的维度数;权重和的形式融合,可以是指将至少两个特征向量中同一维度的数值进行加权求和;向量连接,可以是指将至少两个特征向量进行连接,增加特征向量的维度;向量组合则可以是指在一维或者二维等空间中进行组合;向量指定,在一定程度上可以认为是对特征向量赋予权重0或1。
融合后得到目标特征向量集可以记为Y′,举例来说,Y′可以记为Y′=(y 1′,y 2′,y 3′,…,y i ′,…,y M′),其中,y i ′可以认为是与x i 相对应的。实际应用中,Y′也可以与Y的维度相匹配的。
目标特征向量集Y′与初始特征向量集Y之间的相似度大于或等于第一相似度阈值。该第一相似度阈值可以根据需要进行设置,比如,可以设置为90%或者95%等等,此处不做具体限定。至于Y′与Y之间的相似度,可以通过现有的相似度计算方式计算,此处也不作赘述。
如上文所示的,初始特征向量集Y可以是将预设的训练样本集分别输入到N个车辆识别模型,输出得到的特征向量集。也就是说,初始特征向量集Y可以包括将训练样本集X输入到某一个车辆识别模型后,经过特征向量提取得到的子集合。
比如,将X=(x 1,x 2,x 3,…,x M)分别输入到车辆识别模型A中,可以得到一个向量集YA=(FA1,FA2,FA3,…,FAM),将X=(x 1,x 2,x 3,…,x M)分别输入到车辆识别模型B中,可以得到一个向量集YB=(FB1,FB2,FB3,…,FBM),以此类推。其中,YA与YB等均可以认为是Y的子集。
以车辆识别模型A为例,对其建立关联的目标特征向量转换模型的目的在于,需要通过目标特征向量转换模型将YA=(FA1,FA2,FA3,…,FAM)转换为Y′=(y 1′,y 2′,y 3′,…,y M′)。换个角度来说,步骤103中,在已知YA和Y′的基础上,可以建立车辆识别模型A关联的目标特征向量转换模型。
由于初始特征向量集Y除了可以包括YA,还可以包括了YB、YC、……、YN等子集,基于与建立车辆识别模型A关联的目标特征向量转换模型同样的方式,根据Y与Y′,也可以建立其他车辆识别模型关联的目标特征向量转换模型。
本实施例中,通过对初始特征向量集Y进行特征向量融合处理,得到一与初始特征向量集Y之间相似度大于或等于第一相似度阈值的目标特征向量集Y′,该目标特征向量集Y′可以反映由不同车辆识别模型提取得到的初始特征向量之间的共性。基于初始特征向量集Y与目标特征向量集Y′建立的任一车辆识别模型关联的目标特征向量转换模型,可以在后续的应用中,将任一车辆识别模型输出的特征向量,转换为通用的特征向量,进而有助于通过与预设的特征向量库的匹配,完成对车辆的准确识别。
本申请实施例提供的特征向量转换模型处理方法,将预设的训练样本集分别输入到N个车辆识别模型中,输出初始特征向量集,对初始特征向量集进行特征向量融合处理,得到与初始特征向量集之间的相似度大于或等于第一相似度阈值的目标特征向量集,根据初始特征向量集与目标特征向量集,分别建立与每一车辆识别模型关联的目标特征向量转换模型。本实施例中,通过针对每一车辆识别模型关联的目标特征向量转换模型,有助于将各车辆识别模型输出的特征向量转换成较为通用的特征向量,有效克服了现有技术中所存在的数据割裂的缺陷,进而有助于准确对车辆进行识别。
可选地,上述步骤103,根据初始特征向量集与目标特征向量集,分别建立与每一车辆识别模型关联的目标特征向量转换模型之后,特征向量转换模型处理方法还包括:
获取第一特征向量,第一特征向量为基于车辆识别模型对包括车辆的影像数据进行特征提取得到;
确定与车辆识别模型关联的目标特征向量转换模型;
基于与所述车辆识别模型关联的目标特征向量转换模型对第一特征向量进行转换,得到第二特征向量;
基于预设的特征向量库对第二特征向量进行匹配,得到对车辆的识别结果。
本实施例中,第一特征向量,可以是通过读取存储在服务器中的第一特征向量而获取的,也可以是通过接收其他终端发送的第一特性向量而获取的。
如上文所示的,第一特征向量可以是基于车辆识别模型对包括车辆的影像数据进行特征提取得到。为便于理解第一特征向量的获取方式,以下结合一些应用场景进行说明。
举例来说,在车辆在道路中行驶的过程中,可以被设置在道路上方的摄像头所拍摄到,也就是说,摄像头可以对包括了车辆的图像或者视频等类型的影像数据进行采集。
摄像头中可以集成有处理器等硬件结构,进而可以通过预置的车辆识别模型对包括车辆的图像进行特征向量的提取。或者,摄像头可以通信连接至路侧单元或者云端服务器中,在路侧单元或云平台中预置有车辆识别模型,以用于对摄像头发送的图像进行特征向量的提取。
对于车辆识别模型,可以是神经网络模型等,一般来说,可以实现上述的特征向量的提取功能即可。以下主要以摄像头中集成有车辆识别模型为例进行说明,相应地,上述第一特征向量,可以是摄像头通过通信模块发送至服务器的,至于通信模块的具体类型,此处不做限定。
容易理解的是,此处所提到的车辆识别模型,可能是上文实施例中N个车辆识别模型中的任一车辆识别模型。
容易理解的是,车辆在道路中行驶时,可能被多个摄像头所拍摄到。然而,这些摄像头中集成的车辆识别模型可能是相同的,也有可能是存在差异的。当这些车辆识别模型存在差异时,相应提取出的特征向量可能并不相同。
比如,在一段道路上设置有多个摄像头,这些摄像头中分别集成有车辆识别模型A(以下简称为MA)、车辆识别模型B(以下简称为MB)、车辆识别模型C(以下简称为MC)、……、车辆识别模型N(以下简称为MN)。当车辆在这段道路上行驶时,被各个摄像头所拍摄,并将拍摄的图像输入到各自集成的车辆识别模型中,得到相应的特征向量,分别记为FA、FB、FC、…、FN。
相应地,服务器接收到的第一特征向量,可能是FA、FB、FC、…、FN中的任一个。通常来说,服务器在接收到第一特征向量后,会与预设的特征向量库进行特征向量的匹配,以完成对车辆的识别。
然而,同一车辆对应的第一特征向量可能存在多种情况,导致较难建立统一的特征向量库,来与车辆的第一特征向量进行匹配。从另一角度来说,同一车辆对应多种第一特征向量,也增大了特征向量匹配的难度,容易导致车辆特征属性判断错误,车辆识别准确度较低。
为解决以上问题,本实施例中,可以对第一特征向量进行转换。
具体地,可以确定与车辆识别模型关联的目标特征向量转换模型。
本实施例中,各个车辆识别模型可以关联有目标特征向量转换模型,目标特征向量转换模型可以认为是经过训练的特征向量转换模型,特征向量转换模型的具体类型可以是神经网络模型等,此处不做具体限定。
举例来说,上述的MA可以关联有目标特征向量转换模型,记为EA′;类似地,MB关联有目标特征向量转换模型,记为EB′,以此类推。
特征向量转换模型可以用于对特征向量进行转换,例如,可以将第一特征向量的维度处理成预设维度,或者改变各个维度的具体数值等等。
车辆识别模型与目标特征向量转换模型之间的关联关系,可以体现在目标特征向量转换模型可以将车辆识别模型输出的第一特征向量,转换成通用的特征向量。
基于目标特征向量转换模型对第一特征向量进行转换,可以得到第二特征向量。
如上文中举例所示的,第一特征向量可以是各个摄像头将自身拍摄得到的图像,输入到集成的车辆识别模型中进行特征提取得到的,这些第一特征向量在一定程度上可以认为是与车辆识别模型一一对应的,同一车辆对应的第一特征向量,会因为使用的车辆识别模型的不同而存在不同。
而第二特征向量在一定程度上可以认为是一种通用的特征向量,对不同的车辆识别模型具有较强的适应性。
举例来说,FA、FB、FC、…、FN可以是多种车辆识别模型对包括同一车辆的图像进行特征提取得到的第一特征向量,这些第一特征向量与对应的车辆识别模型具有较强的关联性,第一特征向量相互之间的差异可能较大,即存在数据割裂的情况。比如,具体可以表现在各第一特征向量可能在维度上存在差异,或者同一维度上的数值存在较大的差异等等。
将FA输入到EA中,得到的第二特征向量可以记为FA′,将FB输入到EB中,得到的第二特征向量可以记为FB′,以此类推。
相对来说,FA′、FB′、FC′、…、FN′这些第二特征向量相互之间的差异可以较小,比如,各个第二特征向量之间的维度可以等于预设的维度数,或者同一维度上的数值的差异较小等等。换而言之,同一车辆的图像经不同的车辆识别模型及相关联的目标特征向量转换模型进行处理后,得到的第二特征向量差异较小,因而可以认为是可通用的特征向量,或者说标准的特征向量。
基于预设的特征向量库对第二特征向量进行匹配,可以得到对车辆的识别结果。
如上文所示的,第二特征向量可以认为是可通用的特征向量,车辆与第二特征向量在一定程度上可以认为是存在一一对应的关系。当然,实际应用中,同一车辆的图像经过不同车辆识别模型及相关联的目标特征向量转换模型处理后得到的第二特征向量,也会存在一定的差异,但这些差异通常可以控制在一定范围内而不影响最终识别结果。
在将第一特征向量转换为第二特征向量的情况下,可以比较方便地使用预设的特征向量库对第二特征向量进行匹配。
具体来说,预设的特征向量库中,可以保留各车辆对应的通用的特征向量,同一车辆在特征向量库中可以对应一个特征向量。不同车辆识别模型对该车辆的图像进行特征提取得到的第一特征向量,经过对应的目标特征向量转换模型进行转换得到的第二特征向量,可以较为可靠地在特征向量库中匹配到对应的特征向量,从而提高车辆识别结果的准确性。
至于车辆的识别结果,可以是指示对车辆识别成功,即特征向量库存在车辆对应的特征向量;或者,识别结果可以是指示车辆的具体车型、所归属的用户等;或者,识别结果还可以是指示对车辆识别失败等,此处不做具体限定。
本实施例中,获取基于车辆识别模型对包括车辆的影像数据进行特征提取得到的第一特征向量,确定与车辆识别模型关联的目标特征向量转换模型,基于目标特征向量转换模型对第一特征向量进行转换,得到第二特征向量,基于预设的特征向量库对第二特征向量进行匹配,得到对车辆的识别结果。本实施例通过与车辆识别模型关联的目标特征向量转换模型,对车辆识别模型提取到的第一特征向量进行转换,有助于得到较为通用的第二特征向量,克服第一特征向量与车辆识别模型关联性较强所带来的数据割裂的缺陷,将第二特征向量与预设的特征向量库进行匹配,可以有效提高车辆的识别结果的准确性。
可选地,步骤102,对初始特征向量集进行特征向量融合处理,得到目标特征向量集,包括:
将初始特征向量集输入到特征融合模型中,输出中间特征向量集;
在中间特征向量集与初始特征向量集之间的相似度小于第一相似度阈值的情况下,调整特征融合模型关联的参数,并返回执行将初始特征向量集输入到特征融合模型中,输出中间特征向量集的步骤;
在中间特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值的情况下,将中间特征向量集确定为目标特征向量集。
本实施例中,可以采用特征融合模型来实现对初始特征向量集的特征向量融合。该特征融合模型可以是神经网络模型等,可以根据实际需要进行选取。
在一定程度上,初始特征向量集可以认为是经过标注的训练样本,特征融合模型的目的,可以认为是将初始特征向量集处理成预设维度的通用特征向量的集合,即上述的目标特征向量集。
在特征融合模型未得到充分训练的情况下,将初始特征向量集输入到特征融合模型中,输出的中间特征向量集可能与初始特征向量集之间整体的相似度较低。此时,输出的中间特征向量集通常不能直接作为目标特征向量集。
根据整体相似度,可以确定特征融合模型的损失函数的损失值。整体相似度越大,损失函数的损失值越小。
在中间特征向量集与初始特征向量之间整体的相似度小于第一相似度阈值,或者说损失函数的损失值高于损失值阈值时,可以基于损失值,可以对特征融合模型的模型参数进行调整。
举例来说,可以对各车辆识别模型提取出的初始特征向量的权重进行调整等。或者,在特征融合模型训练效果不佳的情况下,可以调整特征融合模型的模型超参数。或者,还可以是调整特征融合模型的模型架构,例如可以调整进行连接或组合的初始特征向量等。
以上所示的模型参数、模型超参数以及模型架构,均可以认为是特征融合模型关联的参数。在实际应用中,可以根据需要选择调整其中的一种或多种参数。
而在中间特征向量集与初始特征向量之间整体的相似度大于或等于第一相似度阈值,或者说损失函数的损失值小于或等于损失值阈值时,可以将该中间特征向量集确定为目标特征向量集。
本实施例通过特征融合模型对初始特征向量集进行特征向量的融合,有助于提升目标特征向量集的获取效率。
如图2所示,图2为生成目标特征向量集Y′的原理图,具体可以总结为:
1)建立车辆样本数据集;
这里的车辆样本数据集,可以是包括车辆的图像等,能够满足对车辆识别应用的要求即可。
2)将车辆样本数据集分别输入到车辆识别模型A、车辆识别模型B、车辆识别模型C、……、车辆识别模型N;分别得到初始特征向量子集YA、初始特征向量子集YB、初始特征向量子集YC、……、初始特征向量子集YN。
这些子集的合集可以通过初始特征向量集Y进行表示,即Y=(YA,YB,YC,…,YN)。
3)对初始特征向量集Y进行特征向量融合处理;
特征向量融合处理的方式可以包括上述的统一向量维度、权重和的形式融合、向量连接、向量组合、向量指定以及归一化中的一项或多项。
如上文中的,特征向量融合处理可以是通过特征融合模型来实现的,通常情况下,特征融合模型并非是一次性将初始特征向量集Y处理成目标特征向量集Y′的,因此,可以将对初始特征向量集Y进行特征向量融合处理得到的特征向量集称为中间特征向量集Z。
4)比较中间特征向量集Z与初始特征向量集Y的整体相似度,判断该整体相似度是否达到指定的相似程度要求,判断该整体相似度是否大于或等于第一相似度阈值。第一相似度阈值可由用户根据实际应用需要指定,也可以设置默认相似值。举例来说,该第一相似度阈值可以是高于90%的。
5)当中间特征向量集Z与初始特征向量集Y的整体相似度未到达第一相似度阈值时,调整特征融合模型相关的参数,返回执行上述对初始特征向量集Y进行特征向量融合处理的步骤,直至特征融合模型收敛,即Z与Y的整体相似度大于或等于第一相似度阈值,输出目标特征向量集Y′。
可选地,上述步骤103,根据初始特征向量集与目标特征向量集,分别建立与每一车辆识别模型关联的目标特征向量转换模型,包括:
获取第一特征向量集,第一特征向量集为将预设的训练样本集输入到第一车辆识别模型,输出得到的特征向量集,第一车辆识别模型为N个车辆识别模型中的任一车辆识别模型;
基于第一特征向量集与目标特征向量集,对预先建立的初始特征向量转换模型进行训练,得到与第一车辆识别模型关联的目标特征向量转换模型。
在得到目标特征向量集Y′的情况下,可以是针对每一车辆识别模型建立关联的目标特征向量转换模型。当然,如上文所示的,目标特征向量转换模型可以认为是经过充分训练的特征向量转换模型。具体来说,可以是基于上述的Y与Y′,对建立的初始特征向量转换模型进行训练得到。
本实施例中,对N个车辆识别模型中的任一车辆识别模型关联的目标特征向量转换模型的一种获取方式进行了限定。为了简化说明,以下将主要以第一车辆识别模型为车辆识别模型A为例,对其关联的目标特征向量转换模型的获取方式进行说明。
如上文所示的,将X=(x 1,x 2,x 3,…,x M)分别输入到车辆识别模型A中,可以得到一个向量集YA=(FA1,FA2,FA3,…,FAM),YA可以对应上述的第一特征向量集。
一般来说,YA作为Y的子集,可以直接从Y中进行获取,当然,也可以将X再次输入到车辆识别模型A进行特征向量提取得到。
容易理解的是,获取与车辆识别模型A关联的目标特征向量转换模型,主要目的是要将YA输入至该目标特征向量转换模型后,能够获得通用特征向量的集合,以便进一步与预设的特征向量库进行匹配。该通用特征向量的集合可以对应Y′=(y 1′,y 2′,y 3′,…,y M′)。
因此,在对车辆识别模型A建立初始特征向量转换模型(记为EA)的情况下,可以使用YA=(FA1,FA2,FA3,…,FAM)与Y′=(y 1′,y 2′,y 3′,…,y M′)对EA进行训练,以得到与车辆识别模型A关联的目标特征向量转换模型(记为EA′)。
其中,在一定程度上,YA可以认为是EA的训练样本,Y′可以认为是训练样本的标注结果,根据YA与Y′,可以对EA进行训练,得到EA′。
类似地,当第一车辆识别模型为车辆识别模型B时,可以使用YB=(FB1,FB2,FB3,…,FBM)与Y′,可以对EB(即对车辆识别模型B建立的初始特征向量转换模型)进行训练,得到EB′。未简化说明,此处不再对其余的车辆识别模型所关联的目标特征向量转换模型的获取过程进行赘述。
可选地,上述基于第一特征向量集与目标特征向量集,对预先建立的初始特征向量转换模型进行训练,得到与第一车辆识别模型关联的目标特征向量转换模型,包括:
将第一特征向量集输入到初始特征向量转换模型,输出第二特征向量集;
在第二特征向量集与目标特征向量集之间的相似度小于第二相似度阈值的情况下,调整初始特征向量转换模型关联的参数,并返回执行将第一特征向量集输入到初始特征向量转换模型,输出第二特征向量集的步骤;
在第二特征向量集与目标特征向量集之间的相似度大于或等于第二相似度阈值的情况下,得到与第一车辆识别模型关联的目标特征向量转换模型。
以下继续以第一特征向量集为YA为例进行说明。
对于初始特征向量转换模型EA,通常可以认为是未经充分训练的模型,因此,在将YA输入到EA中后,输出的第二特征向量集YA′,可以与Y′的整体的相似度较低。
而YA′与Y′之间的整体相似度,可以反映在初始特征向量转换模型EA中的损失函数的损失值中。一般来说,YA′与Y′之间相似度越高,该损失函数的损失值越低,反之亦然。
因此,在YA′与Y′之间的相似度较低的情况下,例如YA′与Y′之间的相似度小于第二相似度阈值的情况下,可以根据相应的损失值,对EA相关的参数进行调整。
EA相关的参数,可以特征融合模型相关的参数类似。也就是说,EA的相关参数,可以是其模型参数、模型超参数以及模型架构中的至少一项。至于EA相关的参数的具体调整方式,此处不再赘述。
在对EA相关的参数进行调整后,可以返回执行将YA输入到EA中的步骤,直至输出的YA′与Y′之间的相似度大于或等于第二相似度阈值时,可以得到训练完成的目标特征向量转换模型EA′,该目标特征向量转换模型EA′可以是与车辆识别模型A向关联的。
当然,对于EA来说,YA′与Y′之间的相似度大于或等于第二相似度阈值,也可以表现为损失函数的损失值小于或等于预设的损失值阈值。
至于其他的车辆识别模型关联的目标特征向量转换模型的建立方式,可以是与上文描述的过程类似的,此处不做赘述。
本实施例可以根据得到的初始特征向量集与目标特征向量集,对各车辆识别模型关联的初始特征向量转换模型进行训练,相关训练样本的获取过程较为方便,且能够比较可靠地得到各车辆识别模型关联的目标特征向量转换模型。
上述实施例中,目标特征向量转换模型可以认为是通过单独对初始特征向量转换模型训练得到的。而在一些实施方式中,也可以将车辆识别模型与初始特征向量转换模型结合后进行训练。
具体来说,在一个实施例中,上述步骤102,对初始特征向量集进行特征向量融合处理,得到目标特征向量集之后,特征向量转换模型处理方法还可以包括:
针对第一车辆识别模型建立初始车辆识别转换模型,初始车辆识别转换模型包括第一车辆识别模型与针对第一车辆识别模型建立的初始特征向量转换模型,第一车辆识别模型的输出端连接初始特征向量转换模型的输入端,第一车辆识别模型为N个车辆识别模型中的任一车辆识别模型;
基于预设的训练样本集与目标特征向量集对初始车辆识别转换模型进行训练,得到目标车辆识别转换模型。
如图3所示,以下结合一个应用例,来对本实施例的实施过程进行举例说明。
图3为建立各个车辆识别模型关联的目标特征向量转换模型的原理图,可以概括为:
1)将预设的训练样本数据集(对应上述X)输入到初始车辆识别转换模型(以下简称DE)中,可以得到一车辆临时特征向量集,记为Yw′;
初始车辆识别转换模型可以包括第一车辆识别模型与针对第一车辆识别模型建立的初始特征向量转换模型;
为简化说明,可以将第一车辆识别模型记为Mw,w可以代表上文中A、B、C、…、N中的任一个,相应建立的初始特征向量转换模型可以记为Ew;则DE可以包括Mw与Ew,且Mw的输出端可以与Ew的输入端连接。
将X输入至DE中经过特征向量提取可以得到Yw,Yw输入至Ew中,可以输出得到上述的Yw′。
2)对车辆临时特征向量集Yw′与目标特征向量集Y′相似度的比较判断,要求Yw′与Y′这两个向量集之间相似度大于或等于第二相似度阈值,举例来说,该第二相似度阈值可以不小于95%,并可以根据实际应用需要动态调整。
3)当Yw′与Y′之间的相似度小于第二相似度阈值时,可以调整DE中相关的参数,例如模型参数、模型超参数以及模型架构中的至少一种。在完成参数的调整后,可以返回执行将预设的训练样本集X输入到DE的步骤。
容易理解的是,此处对参数进行调整的过程中,可以是同时对Mw与Ew中的相关参数进行调整;而上一实施例所示的训练过程中,则可以认为是仅对Ew中的相关参数进行调整的。
当然,实际应用中,此处也可以是将Mw的相关参数固定,而仅对Ew中的相关参数进行调整。
4)当Yw′与Y′之间的相似度大于或等于第二相似度阈值时,可以认为DE得到充分的训练,进而可以得到目标车辆识别转换模型DE′。
结合一个应用场景,本申请实施例提供的特征向量转换模型处理方法可以是应用于服务器的,训练得到DE′的过程,可以是在服务器中执行的。
在一些实施方式中,服务器在得到DE′的情况下,可以将DE′发送至相应的摄像头终端,或者是用于管理各个摄像头的平台。以摄像头终端为例,后续各个摄像头终端可以将拍摄到的车辆图像,经过DE′处理后,得到通用的特征向量发送至服务器,而服务器可以直接对这些通用的特征向量进行匹配,从而提高车辆识别的效率与准确度。
当然,DE′也可以是与车辆识别模型一一对应的,例如,基于车辆识别模型A训练得到的DE′,可以发送到提供车辆识别模型A的平台(记为平台A),一方面,平台A依然可以从DE′的中间量中得到车辆识别模型A提取的专用的特征向量,以便使用平台A中已有的特征向量库进行特征向量的匹配;另一方面,平台A也可以将DE′最终输出的通用的特征向量发送至服务器,便于服务器使用其中的特征向量库进行特征向量的匹配。
可选地,上述基于预设的训练样本集与目标特征向量集对初始车辆识别转换模型进行训练,得到目标车辆识别转换模型之后,方法还包括:
获取目标样本集;
将目标样本集输入到目标车辆识别转换模型,输出标准特征向量集;
将标准特征向量集存储至预设的特征向量库。
此处的目标样本集,可以是摄像头在历史一段时间内拍摄得到的车辆图像,也可以是实时采集的车辆图像等等,此处不做具体限定。
将目标样本集输入目标车辆识别转换模型,可以输出得到标准特征向量集,此处的标准特征向量集,可以认为是后续作为特征向量匹配的基准特征向量,相应地,可以将这些标准特征向量集存储至上述预设的特征向量库。
如上文所示的,目标车辆识别转换模型DE′是可以与车辆识别模型一一对应的,也就是说,上述N个车辆识别模型中,每一个车辆识别模型可以对应建立有一DE′。相应地,可以将这N个DE′分别记为DEA′、DEB′、DEC′、…、DEN′。
如图4所示,图4为将目标样本集输入到各个DE′中,以输出得到相应的标准特征向量集的原理图,图中,DEA′输出的标准特征向量集记为FSA,DEB′输出的标准特征向量集记为FSB,依次类推。
则存储至预设的特征向量库的标准特征向量可以包括(FSA、FSB、FSC、…、FSN)。
本实施例可以针对各车辆建立比较完整的标准特征向量库,同一车辆在标准特征向量库对应的标准特征向量差异可以较小,后续使用预设的特征向量库对待识别车辆的特征向量进行匹配时,可以有效保证匹配结果的可靠性。
基于本申请实施例的特征向量转换模型处理方法的应用,在如上文所示的道路上的摄像头集成不同车辆识别模型的场景中,依然可以有效保证摄像头视觉感知的可靠性。由于本申请实施例可以将不同车辆识别模型提取出的车辆特征向量转换成通用的特征向量并进行匹配识别,而无需使用多种特征向量库一一对车辆特征向量进行匹配,因此可以有效提高视觉感知的全面性、实时性、正确性。
如图5所示,本申请实施例还提供了一种特征向量转换模型处理装置,该装置包括:
第一输出模块501,用于将预设的训练样本集分别输入到N个车辆识别模型中,输出初始特征向量集,N为大于1的整数;
融合处理模块502,用于对初始特征向量集进行特征向量融合处理,得到目标特征向量集,目标特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值;
第一建立模块503,用于根据初始特征向量集与目标特征向量集,分别建立与每一车辆识别模型关联的目标特征向量转换模型。
可选地,特征向量转换模型处理装置还可以包括:
第一获取模块,用于获取第一特征向量,第一特征向量为基于车辆识别模型对包括车辆的影像数据进行特征提取得到;
确定模块,用于确定与车辆识别模型关联的目标特征向量转换模型;
转换模块,用于基于与所述车辆识别模型关联的目标特征向量转换模型对第一特征向量进行转换,得到第二特征向量;
匹配模块,用于基于预设的特征向量库对第二特征向量进行匹配,得到对车辆的识别结果。
可选地,融合处理模块502,可以包括:
输出单元,用于将初始特征向量集输入到特征融合模型中,输出中间特征向量集;
调整执行单元,用于在中间特征向量集与初始特征向量集之间的相似度小于第一相似度阈值的情况下,调整特征融合模型关联的参数,并返回执行将初始特征向量集输入到特征融合模型中,输出中间特征向量集的步骤;
确定单元,用于在中间特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值的情况下,将中间特征向量集确定为目标特征向量集。
可选地,第一建立模块503,包括:
获取单元,用于获取第一特征向量集,第一特征向量集为将预设的训练样本集输入到第一车辆识别模型,输出得到的特征向量集,第一车辆识别模型为N个车辆识别模型中的任一车辆识别模型;
训练单元,用于基于第一特征向量集与目标特征向量集,对预先建立的初始特征向量转换模型进行训练,得到与第一车辆识别模型关联的目标特征向量转换模型。
可选地,训练单元,包括:
输出子单元,用于将第一特征向量集输入到初始特征向量转换模型,输出第二特征向量集;
调整执行子单元,用于在第二特征向量集与目标特征向量集之间的相似度小于第二相似度阈值的情况下,调整初始特征向量转换模型关联的参数,并返回执行将第一特征向量集输入到初始特征向量转换模型,输出第二特征向量集的步骤;
获取子单元,用于在第二特征向量集与目标特征向量集之间的相似度大于或等于第二相似度阈值的情况下,得到与第一车辆识别模型关联的目标特征向量转换模型。
可选地,特征向量转换模型处理装置还可以包括:
第二建立模块,用于针对第一车辆识别模型建立初始车辆识别转换模型,初始车辆识别转换模型包括第一车辆识别模型与针对第一车辆识别模型建立的初始特征向量转换模型,第一车辆识别模型的输出端连接初始特征向量转换模型的输入端,第一车辆识别模型为N个车辆识别模型中的任一车辆识别模型;
训练模块,用于基于预设的训练样本集与目标特征向量集对初始车辆识别转换模型进行训练,得到目标车辆识别转换模型。
可选地,特征向量转换模型处理装置还可以包括:
第二获取模块,用于获取目标样本集;
第二输出模块,用于将目标样本集输入到目标车辆识别转换模型,输出标准特征向量集;
存储模块,用于将标准特征向量集存储至预设的特征向量库。
需要说明的是,该特征向量转换模型处理装置是与上述特征向量转换模型处理方法对应的装置,上述方法实施例中所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
图6示出了本申请实施例提供的服务器的硬件结构示意图。
服务器可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地,上述处理器601可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit ,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器602可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器602可在综合网关容灾设备的内部或外部。在特定实施例中,存储器602是非易失性固态存储器。
存储器可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的方法所描述的操作。
处理器601通过读取并执行存储器602中存储的计算机程序指令,以实现上述实施例中的任意一种特征向量转换模型处理方法。
在一个示例中,服务器还可包括通信接口603和总线604。其中,如图6所示,处理器601、存储器602、通信接口603通过总线604连接并完成相互间的通信。
通信接口603,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线604包括硬件、软件或两者。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线604可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的特征向量转换模型处理方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种特征向量转换模型处理方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种特征向量转换模型处理方法,其特征在于,包括:
将预设的训练样本集分别输入到N个车辆识别模型中,输出初始特征向量集,N为大于1的整数;
对所述初始特征向量集进行特征向量融合处理,得到目标特征向量集,所述目标特征向量集与所述初始特征向量集之间的相似度大于或等于第一相似度阈值;
根据所述初始特征向量集与所述目标特征向量集,分别建立与每一所述车辆识别模型关联的目标特征向量转换模型;
所述根据所述初始特征向量集与所述目标特征向量集,分别建立与每一所述车辆识别模型关联的目标特征向量转换模型,包括:
获取第一特征向量集,所述第一特征向量集为将所述预设的训练样本集输入到第一车辆识别模型,输出得到的特征向量集,所述第一车辆识别模型为所述N个车辆识别模型中的任一车辆识别模型;
基于所述第一特征向量集与所述目标特征向量集,对预先建立的初始特征向量转换模型进行训练,得到与所述第一车辆识别模型关联的目标特征向量转换模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述初始特征向量集与所述目标特征向量集,分别建立与每一所述车辆识别模型关联的目标特征向量转换模型之后,所述方法还包括:
获取第一特征向量,所述第一特征向量为基于车辆识别模型对包括车辆的影像数据进行特征提取得到;
确定与所述车辆识别模型关联的目标特征向量转换模型;
基于与所述车辆识别模型关联的目标特征向量转换模型对所述第一特征向量进行转换,得到第二特征向量;
基于预设的特征向量库对所述第二特征向量进行匹配,得到对所述车辆的识别结果。
3.根据权利要求1所述的方法,其特征在于,所述对所述初始特征向量集进行特征向量融合处理,得到目标特征向量集,包括:
将所述初始特征向量集输入到特征融合模型中,输出中间特征向量集;
在所述中间特征向量集与所述初始特征向量集之间的相似度小于所述第一相似度阈值的情况下,调整所述特征融合模型关联的参数,并返回执行所述将所述初始特征向量集输入到特征融合模型中,输出中间特征向量集的步骤;
在所述中间特征向量集与所述初始特征向量集之间的相似度大于或等于第一相似度阈值的情况下,将所述中间特征向量集确定为所述目标特征向量集。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第一特征向量集与所述目标特征向量集,对预先建立的初始特征向量转换模型进行训练,得到与所述第一车辆识别模型关联的目标特征向量转换模型,包括:
将所述第一特征向量集输入到所述初始特征向量转换模型,输出第二特征向量集;
在所述第二特征向量集与所述目标特征向量集之间的相似度小于第二相似度阈值的情况下,调整所述初始特征向量转换模型关联的参数,并返回执行将所述第一特征向量集输入到所述初始特征向量转换模型,输出第二特征向量集的步骤;
在所述第二特征向量集与所述目标特征向量集之间的相似度大于或等于所述第二相似度阈值的情况下,得到与所述第一车辆识别模型关联的目标特征向量转换模型。
5.根据权利要求1所述的方法,其特征在于,所述对所述初始特征向量集进行特征向量融合处理,得到目标特征向量集之后,所述方法还包括:
针对第一车辆识别模型建立初始车辆识别转换模型,所述初始车辆识别转换模型包括所述第一车辆识别模型与针对所述第一车辆识别模型建立的初始特征向量转换模型,所述第一车辆识别模型的输出端连接所述初始特征向量转换模型的输入端,所述第一车辆识别模型为所述N个车辆识别模型中的任一车辆识别模型;
基于预设的训练样本集与所述目标特征向量集对所述初始车辆识别转换模型进行训练,得到目标车辆识别转换模型。
6.根据权利要求5所述的方法,其特征在于,所述基于预设的训练样本集与所述目标特征向量集对所述初始车辆识别转换模型进行训练,得到目标车辆识别转换模型之后,所述方法还包括:
获取目标样本集;
将所述目标样本集输入到所述目标车辆识别转换模型,输出标准特征向量集;
将所述标准特征向量集存储至预设的特征向量库。
7.一种特征向量转换模型处理装置,其特征在于,所述装置包括:
第一输出模块,用于将预设的训练样本集分别输入到N个车辆识别模型中,输出初始特征向量集,N为大于1的整数;
融合处理模块,用于对所述初始特征向量集进行特征向量融合处理,得到目标特征向量集,所述目标特征向量集与所述初始特征向量集之间的相似度大于或等于第一相似度阈值;
第一建立模块,用于根据所述初始特征向量集与所述目标特征向量集,分别建立与每一所述车辆识别模型关联的目标特征向量转换模型;
所述第一建立模块,包括:
获取单元,用于获取第一特征向量集,第一特征向量集为将预设的训练样本集输入到第一车辆识别模型,输出得到的特征向量集,第一车辆识别模型为N个车辆识别模型中的任一车辆识别模型;
训练单元,用于基于第一特征向量集与目标特征向量集,对预先建立的初始特征向量转换模型进行训练,得到与第一车辆识别模型关联的目标特征向量转换模型。
8.一种服务器,其特征在于,所述服务器包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-6任意一项所述的特征向量转换模型处理方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的特征向量转换模型处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110854046.XA CN113313086B (zh) | 2021-07-28 | 2021-07-28 | 特征向量转换模型处理方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110854046.XA CN113313086B (zh) | 2021-07-28 | 2021-07-28 | 特征向量转换模型处理方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313086A CN113313086A (zh) | 2021-08-27 |
CN113313086B true CN113313086B (zh) | 2021-10-29 |
Family
ID=77381666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110854046.XA Active CN113313086B (zh) | 2021-07-28 | 2021-07-28 | 特征向量转换模型处理方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313086B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283313B (zh) * | 2021-05-10 | 2022-10-11 | 长沙海信智能系统研究院有限公司 | 信息处理方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776787A (zh) * | 2018-06-04 | 2018-11-09 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN110705590A (zh) * | 2019-09-02 | 2020-01-17 | 阿里巴巴集团控股有限公司 | 通过计算机执行的、用于识别车辆部件的方法及装置 |
CN110929209A (zh) * | 2019-12-06 | 2020-03-27 | 北京百度网讯科技有限公司 | 用于发送信息的方法及装置 |
CN111191457A (zh) * | 2019-12-16 | 2020-05-22 | 浙江大搜车软件技术有限公司 | 自然语言语义识别方法、装置、计算机设备和存储介质 |
CN112529040A (zh) * | 2020-11-16 | 2021-03-19 | 深圳壹账通智能科技有限公司 | 模型生成的方法、装置、电子设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6701016B1 (en) * | 2000-12-22 | 2004-03-02 | Microsoft Corporation | Method of learning deformation models to facilitate pattern matching |
US10061985B2 (en) * | 2016-12-30 | 2018-08-28 | Facebook, Inc. | Video understanding platform |
WO2020003533A1 (en) * | 2018-06-29 | 2020-01-02 | Nec Corporation | Pattern recognition apparatus, pattern recognition method, and computer-readable recording medium |
-
2021
- 2021-07-28 CN CN202110854046.XA patent/CN113313086B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776787A (zh) * | 2018-06-04 | 2018-11-09 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN110705590A (zh) * | 2019-09-02 | 2020-01-17 | 阿里巴巴集团控股有限公司 | 通过计算机执行的、用于识别车辆部件的方法及装置 |
CN110929209A (zh) * | 2019-12-06 | 2020-03-27 | 北京百度网讯科技有限公司 | 用于发送信息的方法及装置 |
CN111191457A (zh) * | 2019-12-16 | 2020-05-22 | 浙江大搜车软件技术有限公司 | 自然语言语义识别方法、装置、计算机设备和存储介质 |
CN112529040A (zh) * | 2020-11-16 | 2021-03-19 | 深圳壹账通智能科技有限公司 | 模型生成的方法、装置、电子设备及介质 |
Non-Patent Citations (2)
Title |
---|
"Speech to text conversion for multilingual languages";Yogita H. Ghadage.et al;《IEEE》;20161124;全文 * |
"基于红外图像的车辆前方行人识别与跟踪技术研究";钟令;《中国优秀硕士学位论文全文数据库》;20150515;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113313086A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276257B (zh) | 人脸识别方法、装置、系统、服务器及可读存储介质 | |
CN110084113B (zh) | 活体检测方法、装置、系统、服务器及可读存储介质 | |
CN110321761B (zh) | 一种行为识别方法、终端设备及计算机可读存储介质 | |
CN114612987A (zh) | 一种表情识别方法及装置 | |
CN113313086B (zh) | 特征向量转换模型处理方法、装置、服务器及存储介质 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
CN112949785B (zh) | 对象检测方法、装置、设备及计算机存储介质 | |
CN110288668B (zh) | 图像生成方法、装置、计算机设备及存储介质 | |
CN111353526A (zh) | 一种图像匹配方法、装置以及相关设备 | |
CN115861659A (zh) | 对象匹配方法、装置、设备及计算机存储介质 | |
CN113744236B (zh) | 回环检测方法、装置、存储介质及计算机程序产品 | |
CN113283450A (zh) | 图像识别方法、装置、设备及计算机存储介质 | |
CN112288817B (zh) | 基于图像的三维重建处理方法及装置 | |
CN112464922B (zh) | 人车重识别及其模型训练方法、装置、设备及存储介质 | |
CN112383765B (zh) | 一种vr图像传输方法及装置 | |
CN113723437B (zh) | 一种ai模型的自动化训练方法及ai模型训练系统 | |
CN116778534B (zh) | 图像处理方法、装置、设备和介质 | |
CN115988100B (zh) | 基于多协议自适应的设备智能感知物联网网关管理方法 | |
CN112767348B (zh) | 一种检测信息的确定方法和装置 | |
CN116912920B (zh) | 表情识别方法及装置 | |
CN110298210B (zh) | 一种基于视觉进行异常判断的方法和装置 | |
CN116342982A (zh) | 一种样本图像生成方法、装置、电子设备和存储介质 | |
CN118094321A (zh) | 一种辐射源个体识别方法及模型的训练方法、相关装置 | |
CN118262390A (zh) | 人脸识别方法、装置、设备及介质 | |
CN116109912A (zh) | 特征比对方法、电子设备以及存储介质 |
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 |