CN114611634A - 一种行为类型的确定方法、装置、存储介质及电子装置 - Google Patents

一种行为类型的确定方法、装置、存储介质及电子装置 Download PDF

Info

Publication number
CN114611634A
CN114611634A CN202210506545.4A CN202210506545A CN114611634A CN 114611634 A CN114611634 A CN 114611634A CN 202210506545 A CN202210506545 A CN 202210506545A CN 114611634 A CN114611634 A CN 114611634A
Authority
CN
China
Prior art keywords
target
initial
determining
training
data
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.)
Granted
Application number
CN202210506545.4A
Other languages
English (en)
Other versions
CN114611634B (zh
Inventor
彭垚
杨德城
林亦宁
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.)
Hangzhou Shanma Zhiqing Technology Co Ltd
Shanghai Supremind Intelligent Technology Co Ltd
Original Assignee
Hangzhou Shanma Zhiqing Technology Co Ltd
Shanghai Supremind Intelligent Technology 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 Hangzhou Shanma Zhiqing Technology Co Ltd, Shanghai Supremind Intelligent Technology Co Ltd filed Critical Hangzhou Shanma Zhiqing Technology Co Ltd
Priority to CN202210506545.4A priority Critical patent/CN114611634B/zh
Publication of CN114611634A publication Critical patent/CN114611634A/zh
Application granted granted Critical
Publication of CN114611634B publication Critical patent/CN114611634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明实施例提供了一种行为类型的确定方法、装置、存储介质及电子装置，其中，该方法包括：使用目标网络模型中包括的N个目标子网络分别对目标对象的目标数据进行分析，以确定目标对象的N个状态信息，其中，N个目标子网络中包括的每个目标子网络均为使用多组训练数据通过机器学习训练出的，多组训练数据中的每组数据均包括N组训练子数据，每组训练子数据均包括对象的数据以及数据的标签信息，一组训练子数据用于训练一个目标子网络，训练每个目标子网络所使用的训练数据中的数据标签信息不同；基于N个状态信息确定目标对象的行为类型。通过本发明，解决了确定对象的行为类型效率低的问题，达到提高确定对象的行为类型的效率效果。

Description

一种行为类型的确定方法、装置、存储介质及电子装置
技术领域
本发明实施例涉及通信领域，具体而言，涉及一种行为类型的确定方法、装置、存储介质及电子装置。
背景技术
随着车辆的使用量日益增多，对交通管理的压力也越来越大，对车辆的合理有效管理越来越迫切。智能监控技术已经在交通管理领域广泛应用，比如：车辆检测，车辆识别，流量统计，违章抓拍等。然而，车辆违章行为复杂，当前人工智能和智能交通管理的结合还不够密切，在违章确定方面，人们在得到车辆数据后多数还是靠人工统计的方式得到详细违章类型，不仅人力消耗比较大，效率还不高。
由此可知，相关技术中存在确定对象的行为类型效率低的问题。
针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种行为类型的确定方法、装置、存储介质及电子装置，以至少解决相关技术中存在的确定对象的行为类型效率低的问题。
根据本发明的一个实施例，提供了一种行为类型的确定方法，包括：使用目标网络模型中包括的N个目标子网络分别对目标对象的目标数据进行分析，以确定所述目标对象的N个状态信息，其中，所述N个目标子网络并列连接在所述目标网络模型中包括的主干网络后，所述N个目标子网络中包括的每个所述目标子网络均为使用多组训练数据通过机器学习训练出的，所述多组训练数据中的每组数据均包括N组训练子数据，每组所述训练子数据均包括对象的数据以及所述数据的标签信息，一组所述训练子数据用于训练一个所述目标子网络，训练每个所述目标子网络所使用的训练数据中的数据标签信息不同；基于所述N个状态信息确定所述目标对象的行为类型。
根据本发明的另一个实施例，提供了一种行为类型的确定装置，包括：分析模块，用于使用目标网络模型中包括的N个目标子网络分别对目标对象的目标数据进行分析，以确定所述目标对象的N个状态信息，其中，所述N个目标子网络并列连接在所述目标网络模型中包括的主干网络后，所述N个目标子网络中包括的每个所述目标子网络均为使用多组训练数据通过机器学习训练出的，所述多组训练数据中的每组数据均包括N组训练子数据，每组所述训练子数据均包括对象的数据以及所述数据的标签信息，一组所述训练子数据用于训练一个所述目标子网络，训练每个所述目标子网络所使用的训练数据中的数据标签信息不同；确定模块，用于基于所述N个状态信息确定所述目标对象的行为类型。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，使用目标网络模型中包括的N个目标子网络模型分别对目标对象的目标数据进行分析，以确定目标对象的N个状态信息，根据N个状态信息确定目标对象的行为类型。由于N个目标子网络模型是通过多组训练数据通过机器学习训练出的，每个目标子网络所使用的训练数据中数据标签信息不同，因此，可以准确、快速地确定出目标对象的状态信息，进而确定出目标对象的行为类型，因此，可以解决相关技术中存在的确定对象的行为类型效率低的问题，达到提高确定对象的行为类型的效率效果。
附图说明
图1是本发明实施例的一种行为类型的确定方法的移动终端的硬件结构框图；
图2是根据本发明实施例的行为类型的确定方法的流程图；
图3是根据本发明示例性实施例的通过机器学习确定目标子网络流程图；
图4是根据本发明示例性实施例的目标网络模型结构图；
图5是根据本发明示例性实施例的确定逆行违章行为类型示意图；
图6是根据本发明具体实施例的行为类型的确定方法流程图；
图7是根据本发明实施例的行为类型的确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种行为类型的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的行为类型的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种行为类型的确定方法，图2是根据本发明实施例的行为类型的确定方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，使用目标网络模型中包括的N个目标子网络分别对目标对象的目标数据进行分析，以确定所述目标对象的N个状态信息，其中，所述N个目标子网络并列连接在所述目标网络模型中包括的主干网络后，所述N个目标子网络中包括的每个所述目标子网络均为使用多组训练数据通过机器学习训练出的，所述多组训练数据中的每组数据均包括N组训练子数据，每组所述训练子数据均包括对象的数据以及所述数据的标签信息，一组所述训练子数据用于训练一个所述目标子网络，训练每个所述目标子网络所使用的训练数据中的数据标签信息不同；
步骤S204，基于所述N个状态信息确定所述目标对象的行为类型。
在本实施例中，目标子网络可以是全连接层模型，目标网络模型可以是以卷积神经网络模型为模型的backbone的模型，在backbone后可以并列添加N个目标子网络，如N个全连接层。目标对象可以是机动车、非机动车、人等，目标数据可以是图像、特征值、编码信息等。当目标对象为非机动车时，状态信息可以包括载人状态、戴头盔状态、骑行状态、方位状态等。目标子网络的数量是与状态信息的数量对应的，例如，想要检测对象的N个状态，则需要N个目标子网络。每个目标子网络用于确定一种状态信息。因此，每个目标子网络是利用不同的训练数据训练的。
在上述实施例中，N个目标子网络是通过多组训练数据进行机器学习训练出的，多组训练数据中的每组数据均包括N组训练子数据，每组训练子数据均包括对象的数据以及数据的标签信息，一组训练子数据用于训练一个目标子网络，训练每个目标子网络所使用的训练数据的数据标签信息不同。其中，通过机器学习确定目标子网络流程图可参见附图3。如图3所示，包括数据集准确、模型构建以及模型训练。当目标对象为非机动车、目标数据为图像时，数据集准备阶段可以是通过非机动车检测平台采集使用中的非机动车图片，根据非机动车行为将图片分别按照戴头盔和不佩戴头盔，推行和骑行，载人和不载人，正面和背面4个任务分别标注，然后基于4个任务构建4分独立的训练集。模型构建阶段可以是将目标网络模型嵌入到交通监控系统非机动车检测模型之后，在需要做非机动车违章行文分析的时候将非机动车检测抓拍图输入到模型中，模型吐出行为分类结果，即状态信息，基于分类结果确定违章行为，即行为类型。
在上述实施例中，目标网络模型可以基于实际应用场景对模型推理速度的要求，选择不同大小的CNN（卷积神经网络）做为模型的backbone。即如果推理速度要求不高时，可以选择大些的网络如resent50或者更大的网络结构做为backbone，模型的分类效果会好些。如果对推理速度要求高可以选择小些的网络如mobilenetv2或者更小的网络结构做为backbone。本发明对此不作限定。其中，目标网络模型结构图可参见附图4。如图4所示，4个分支为4个独立的2分类。
可选地，上述步骤的执行主体可以是后台处理器，或者其他的具备类似处理能力的设备，还可以是至少集成有数据获取设备以及数据处理设备的机器，其中，数据获取设备可以包括摄像头等图形采集模块，数据处理设备可以包括计算机、手机等终端，但不限于此。
通过本发明，使用目标网络模型中包括的N个目标子网络模型分别对目标对象的目标数据进行分析，以确定目标对象的N个状态信息，根据N个状态信息确定目标对象的行为类型。由于N个目标子网络模型是通过多组训练数据通过机器学习训练出的，每个目标子网络所使用的训练数据中数据标签信息不同，因此，可以准确、快速地确定出目标对象的状态信息，进而确定出目标对象的行为类型，因此，可以解决相关技术中存在的确定对象的行为类型效率低的问题，达到提高确定对象的行为类型的效率效果。
在一个示例性实施例中，在使用目标网络模型中包括的N个目标子网络对目标对象的目标数据进行分析之前，所述方法还包括：利用所述多组训练数据训练初始网络模型，以得到每个所述初始子网络的初始损失值，其中，所述初始网络模型中包括N个初始子网络；基于每个所述初始子网络的所述初始损失值确定目标损失值；基于所述目标损失值更新所述目标网络模型的网络参数，以得到更新网络模型；将所述更新网络模型确定为所述N个目标子网络。在本实施例中，目标网络模型可以是对初始网络模型进行机器训练得到的，初始网络模型中包括N个初始子网络，在训练的过程中，不断更新初始网络模型的网络参数，可以得到目标网络模型。在训练的过程中，可以将N个初始子网络和初始主干网络同时训练，也可以只训练N个子网络。在同时训练时，更新网络参数包括更新N个初始子网络的参数以及更新初始主干网络的参数。
在上述实施例中，初始主干网络也可以是训练好的网络，在训练过程中，仅需训练N个初始子网络。在训练目标子网络时，可以利用多组训练数据训练N个初始子网络，得到每个初始子网络的初始损失值，根据每个初始子网络的初始损失值确定目标损失值，根据目标损失值更新N个初始子网络的网络参数，得到N个更新子网络，将N个更新子网络确定为N个目标子网络。其中，在确定初始损失值是，损失函数可以选择交叉熵损失函数。
在一个示例性实施例中，基于每个所述初始子网络的所述初始损失值确定目标损失值包括：确定每个所述初始子网络的所述初始损失值中包括的最小值；基于所述最小值确定每个所述初始子网络的目标权重；基于所述目标权重以及所述初始损失值确定所述目标损失值。在本实施例中，在确定目标损失值时，可以确定每个初始子网络的初始损失值中包括的最小值，根据最小值确定初始子网络的目标权重，根据目标权重以及初始损失值确定目标损失值。由于不同任务的区分难易程度不同，模型收敛的时候可能会有不同的速度，当任务简单时，损失下降的会更快，当任务比较困难时，损失会比较不容易下降，为了避免训练过程中模型对不同任务收敛不同而导致个别任务过拟合或者是部分任务训练充分了而个别任务还未收敛的情况发生，可以通过最小值确定每个初始子网络的目标权重，以使每个初始子网络的损失下降较为均匀。
在一个示例性实施例中，基于所述最小值确定每个所述初始子网络的目标权重包括：确定所述N个初始子网络的所述初始损失值的第一和值；分别确定每个所述初始子网络的所述初始损失值与所述最小值的乘积，以得到N个第一乘积；分别将每个所述第一乘积与所述第一和值的比值确定为每个所述初始子网络的所述目标权重。在本实施例中，在得到每个初始子网络的初始损失值后，可以确定出所有初始损失值的第一和值，确定初始损失值与最小值的乘积，将第一乘积与第一和值的比值确定出目标权重。
其中，最小值可以表示为
Figure 386395DEST_PATH_IMAGE001
，目标权重可以表示为
Figure 834694DEST_PATH_IMAGE002
。其中，lossmin表示4个任务中当前迭代最小
损失，lwi表示第i个任务的损失权重，范围在0-1之间，lossi表示第i个任务的损失，loss为最终优化的损失。通过每次迭代给各个任务中损失最小的任务配最小的权重，从而降低该任务的优化速度；给损失最大的任务配最大的权重，从而加快该任务的优化速度。
在一个示例性实施例中，基于所述目标权重以及所述初始损失值确定所述目标损失值包括：分别确定每个所述初始子网络对应的所述目标权重与所述初始子网络的初始损失值的第二乘积，以得到N个第二乘积；将所述N个第二乘积的第二和值确定为所述目标损失值。在本实施例中，可以确定每个初始子网络的目标权重与初始子网络的初始损失值的第二乘积，将所有第二乘积的第二和值确定为目标损失值。
在一个示例性实施例中，将所述更新网络模型确定为所述目标网络模型包括：利用测试数据确定所述更新网络模型的训练精度；在所述训练精度大于预定阈值的情况下，将所述更新网络模型确定为所述目标网络模型。在本实施例中，在每次训练后，均可以得到目标损失值，利用目标损失值反向更新初始网络模型，得到更新网络模型，并进行下一次训练。在训练预定次数后，可以将测试数据输入至更新网络模型中，确定更新网络模型的训练精度，在训练精度大于预定阈值的情况下，将更新网络模型确定为目标网络模型。其中，预定次数可以是固定次数，例如，每训练10次（该取值仅是一种示例性说明，预定次数还可以是8次、15次等，本发明对此不作限制）进行一次测试。预定次数还可以是按梯度逐渐减小的次数，例如，在初始训练时，可以训练5次后再进行测试，在训练多次后，可以训练3次即进行一次测试，再进行多次训练后，可以训练1次即进行一次测试。直到训练精度大于预定阈值时，退出训练。其中，训练精度表示训练的准确度。预定阈值可以是预先设置的预定，可以是90%,95%（该取值仅是一种示例性说明，还可以是88%、98%等，本发明对此不作限制）。
在一个示例性实施例中，基于所述N个状态信息确定所述目标对象的行为类型包括：在所述状态信息中包括骑行状态以及目标对象的对象方位信息的情况下，基于所述对象方位信息以及目标设备的设备方位信息确定所述目标对象的行为类型确定所述对象方位信息与目标设备的设备方位信息的关系；在所述关系指示所述对象方位信息与所述设备方位信息相同的情况下，确定所述行为类型为正常类型；在所述关系指示所述对象方位信息与所述设备方位信息不同的情况下，确定所述行为类型为逆行违章类型。在本实施例中，当状态信息中包括对象的方位信息时，需要结合当前目标设备，如摄像头的设备方位信息来分析是否逆行（在摄像头背面点位上看到正面的图即为逆行，反之亦然）。在对象方位信息与设备方位信息相同的情况下，确定行为类型为正常，在对象方位信息与设备方位信息不同的情况下，确定行为类型为逆行违章类型。其中，确定逆行违章行为类型示意图可参见附图5，如图5所示，图中三个小箭头方向为摄像头朝向，a，b两个小三角形为非机动车，三角形尖尖的方向为车辆朝向，图中可看出b在当前点位下为正面，和车流朝向相反，为逆行。
在一个示例性实施例中，基于所述N个状态信息确定所述目标对象的行为类型包括：在所述状态信息中包括骑行状态以及未佩戴头盔状态的情况下，将所述行为类型确定为未佩戴头盔违章类型；在所述状态信息中包括骑行状态以及载人状态的情况下，将所述行为类型确定为载人违章类型；在本实施例中，在状态信息中包括推行状态的情况下，不对目标对象做违章分析（因为推行相当于行人），即当状态信息中包括推行状态的情况下，无需确定行为类型。在状态信息中包括骑行状态的情况下，则继续分析其他几个分支的结果。如果未佩戴头盔则上报违章行为（对应于行为类型）为未佩戴头盔违章类型。如果状态信息中还包括载人则上报违章行为为载人违章类型。
下面结合具体实施方式对行为类型的确定方法进行说明：
图6是根据本发明具体实施例的行为类型的确定方法流程图，如图6所示，在将本方法运用至交通管理领域时，该方法包括：
步骤S602，将非机动车目标检测模块检测得到的图像输入至非机动车行为分析模型（对应于上述目标网络模型）中。
步骤S604，分支1确定头盔情况，分支2确定载人情况，分支3确定骑行情况，分支4确定正反面情况。其中，分支1-4都对应于上述目标子网络，头盔情况、载人情况、骑行情况以及正反面情况对应于上述状态信息。
步骤S606，确定是否骑行，在是的情况下执行步骤S608，在否的情况下执行步骤S610。
步骤S608，分别判断是否佩戴头盔，是否载人以及基于点位情况判断，在未佩戴头盔的情况下，执行步骤S612，在载人的情况下执行步骤S614，在佩戴头盔以及未载人的情况下，执行步骤S610。
步骤S610，结束。
步骤S612，不戴头盔违章（对应于上述未佩戴头盔违章类型）。
步骤S614，载人违章类型。
在前述实施例中，目标网络模型能够灵活嵌入到非机动检测模块之后，对非机动车违章行为进行智能分析，该方式和人工统计的方法分析非机动车违章行为相比：
1）该系统的违章分析结果可以直接上传到云平台或者其他设备后相关部门做后续处理，实现由摄像头和智能平台构成的智能一体化管理平台，不需或者减少中间环节人工干预，降低人力成本；
2）该系统能够有效且高效的处理大数据量的非机动车违章数据，大大提高了对非机动车违章行为分析的效率。
需要说明的是，在将本方法运用至其它领域，如物联网或以太网数据处理领域时，同样可以高效处理大量流量数据，并对特定的目标数据进行分析。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
在本实施例中还提供了一种行为类型的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本发明实施例的行为类型的确定装置的结构框图，如图7所示，该装置包括：
分析模块72，用于使用目标网络模型中包括的N个目标子网络分别对目标对象的目标数据进行分析，以确定所述目标对象的N个状态信息，其中，所述N个目标子网络并列连接在所述目标网络模型中包括的主干网络后，所述N个目标子网络中包括的每个所述目标子网络均为使用多组训练数据通过机器学习训练出的，所述多组训练数据中的每组数据均包括N组训练子数据，每组所述训练子数据均包括对象的数据以及所述数据的标签信息，一组所述训练子数据用于训练一个所述目标子网络，训练每个所述目标子网络所使用的训练数据中的数据标签信息不同；
确定模块74，用于基于所述N个状态信息确定所述目标对象的行为类型。
在一个示例性实施例中，所述装置还用于在使用目标网络模型中包括的N个目标子网络对目标对象的目标数据进行分析之前，利用所述多组训练数据训练初始网络模型，以得到每个所述初始子网络的初始损失值，其中，所述初始网络模型中包括N个初始子网络；基于每个所述初始子网络的所述初始损失值确定目标损失值；基于所述目标损失值更新所述目标网络模型的网络参数，以得到更新网络模型；将所述更新网络模型确定为所述N个目标子网络。
在一个示例性实施例中，所述装置可以通过如下方式实现基于每个所述初始子网络的所述初始损失值确定目标损失值：确定每个所述初始子网络的所述初始损失值中包括的最小值；基于所述最小值确定每个所述初始子网络的目标权重；基于所述目标权重以及所述初始损失值确定所述目标损失值。
在一个示例性实施例中，所述装置可以通过如下方式实现基于所述最小值确定每个所述初始子网络的目标权重：确定所述N个初始子网络的所述初始损失值的第一和值；分别确定每个所述初始子网络的所述初始损失值与所述最小值的乘积，以得到N个第一乘积；分别将每个所述第一乘积与所述第一和值的比值确定为每个所述初始子网络的所述目标权重。
在一个示例性实施例中，所述装置可以通过如下方式实现基于所述目标权重以及所述初始损失值确定所述目标损失值：分别确定每个所述初始子网络对应的所述目标权重与所述初始子网络的初始损失值的第二乘积，以得到N个第二乘积；将所述N个第二乘积的第二和值确定为所述目标损失值。
在一个示例性实施例中，所述装置可以通过如下方式实现将所述更新网络模型确定为所述目标网络模型：利用测试数据确定所述更新网络模型的训练精度；在所述训练精度大于预定阈值的情况下，将所述更新网络模型确定为所述目标网络模型。
在一个示例性实施例中，确定模块74可以通过如下方式实现基于所述N个状态信息确定所述目标对象的行为类型：在所述状态信息中包括骑行状态以及未佩戴头盔状态的情况下，将所述行为类型确定为未佩戴头盔违章类型；在所述状态信息中包括骑行状态以及载人状态的情况下，将所述行为类型确定为载人违章类型。
在一个示例性实施例中，确定模块74可以通过如下方式实现基于所述N个状态信息确定所述目标对象的行为类型：在所述状态信息中包括骑行状态以及目标对象的对象方位信息的情况下，确定所述对象方位信息与目标设备的设备方位信息的关系；
在所述关系指示在所述关系指示所述对象方位信息与所述设备方位信息相同的情况下，确定所述行为类型为正常类型；在所述关系指示所述对象方位信息与所述设备方位信息不同的情况下，确定所述行为类型为逆行违章类型。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种行为类型的确定方法，其特征在于，包括：
使用目标网络模型中包括的N个目标子网络分别对目标对象的目标数据进行分析，以确定所述目标对象的N个状态信息，其中，所述N个目标子网络并列连接在所述目标网络模型中包括的主干网络后，所述N个目标子网络中包括的每个所述目标子网络均为使用多组训练数据通过机器学习训练出的，所述多组训练数据中的每组数据均包括N组训练子数据，每组所述训练子数据均包括对象的数据以及所述数据的标签信息，一组所述训练子数据用于训练一个所述目标子网络，训练每个所述目标子网络所使用的训练数据中的数据标签信息不同；
基于所述N个状态信息确定所述目标对象的行为类型；
在使用目标网络模型中包括的N个目标子网络对目标对象的目标数据进行分析之前，所述方法还包括：利用所述多组训练数据训练初始网络模型，以得到每个初始子网络的初始损失值，其中，所述初始网络模型中包括N个初始子网络；基于每个所述初始子网络的所述初始损失值确定目标损失值；基于所述目标损失值更新所述目标网络模型的网络参数，以得到更新网络模型；将所述更新网络模型确定为所述目标网络模型；
基于每个所述初始子网络的所述初始损失值确定目标损失值包括：确定每个所述初始子网络的所述初始损失值中包括的最小值；基于所述最小值确定每个所述初始子网络的目标权重；基于所述目标权重以及所述初始损失值确定所述目标损失值。
2.根据权利要求1所述的方法，其特征在于，基于所述最小值确定每个所述初始子网络的目标权重包括：
确定所述N个初始子网络的所述初始损失值的第一和值；
分别确定每个所述初始子网络的所述初始损失值与所述最小值的乘积，以得到N个第一乘积；
分别将每个所述第一乘积与所述第一和值的比值确定为每个所述初始子网络的所述目标权重。
3.根据权利要求1所述的方法，其特征在于，基于所述目标权重以及所述初始损失值确定所述目标损失值包括：
分别确定每个所述初始子网络对应的所述目标权重与所述初始子网络的初始损失值的第二乘积，以得到N个第二乘积；
将所述N个第二乘积的第二和值确定为所述目标损失值。
4.根据权利要求1所述的方法，其特征在于，将所述更新网络模型确定为所述目标网络模型包括：
利用测试数据确定所述更新网络模型的训练精度；
在所述训练精度大于预定阈值的情况下，将所述更新网络模型确定为所述目标网络模型。
5.根据权利要求1所述的方法，其特征在于，基于所述N个状态信息确定所述目标对象的行为类型包括：
在所述状态信息中包括骑行状态以及目标对象的对象方位信息的情况下，确定所述对象方位信息与目标设备的设备方位信息的关系；
在所述关系指示所述对象方位信息与所述设备方位信息相同的情况下，确定所述行为类型为正常类型；
在所述关系指示所述对象方位信息与所述设备方位信息不同的情况下，确定所述行为类型为逆行违章类型。
6.一种行为类型的确定装置，其特征在于，包括：
分析模块，用于使用目标网络模型中包括的N个目标子网络分别对目标对象的目标数据进行分析，以确定所述目标对象的N个状态信息，其中，所述N个目标子网络并列连接在所述目标网络模型中包括的主干网络后，所述N个目标子网络中包括的每个所述目标子网络均为使用多组训练数据通过机器学习训练出的，所述多组训练数据中的每组数据均包括N组训练子数据，每组所述训练子数据均包括对象的数据以及所述数据的标签信息，一组所述训练子数据用于训练一个所述目标子网络，训练每个所述目标子网络所使用的训练数据中的数据标签信息不同；
确定模块，用于基于所述N个状态信息确定所述目标对象的行为类型；
所述装置还用于在使用目标网络模型中包括的N个目标子网络对目标对象的目标数据进行分析之前：利用所述多组训练数据训练初始网络模型，以得到每个初始子网络的初始损失值，其中，所述初始网络模型中包括N个初始子网络；基于每个所述初始子网络的所述初始损失值确定目标损失值；基于所述目标损失值更新所述目标网络模型的网络参数，以得到更新网络模型；将所述更新网络模型确定为所述目标网络模型；
所述装置通过如下方式实现基于每个所述初始子网络的所述初始损失值确定目标损失值：确定每个所述初始子网络的所述初始损失值中包括的最小值；基于所述最小值确定每个所述初始子网络的目标权重；基于所述目标权重以及所述初始损失值确定所述目标损失值。
7.一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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至5任一项中所述的方法的步骤。
8.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。
CN202210506545.4A 2022-05-11 2022-05-11 一种行为类型的确定方法、装置、存储介质及电子装置 Active CN114611634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210506545.4A CN114611634B (zh) 2022-05-11 2022-05-11 一种行为类型的确定方法、装置、存储介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210506545.4A CN114611634B (zh) 2022-05-11 2022-05-11 一种行为类型的确定方法、装置、存储介质及电子装置

Publications (2)

Publication Number Publication Date
CN114611634A true CN114611634A (zh) 2022-06-10
CN114611634B CN114611634B (zh) 2023-07-28

Family

ID=81869285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210506545.4A Active CN114611634B (zh) 2022-05-11 2022-05-11 一种行为类型的确定方法、装置、存储介质及电子装置

Country Status (1)

Country Link
CN (1) CN114611634B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375978A (zh) * 2022-10-27 2022-11-22 北京闪马智建科技有限公司 行为信息的确定方法、装置、存储介质及电子装置
CN115527087A (zh) * 2022-11-04 2022-12-27 北京闪马智建科技有限公司 行为信息的确定方法、装置、存储介质及电子装置
GB2609542A (en) * 2021-06-02 2023-02-08 Nvidia Corp Techniques for classification with neural networks
CN115841335A (zh) * 2023-02-07 2023-03-24 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934392A (zh) * 2017-02-28 2017-07-07 西交利物浦大学 基于多任务学习卷积神经网络的车标识别及属性预测方法
US20190318202A1 (en) * 2016-10-31 2019-10-17 Tencent Technology (Shenzhen) Company Limited Machine learning model training method and apparatus, server, and storage medium
WO2020221278A1 (zh) * 2019-04-29 2020-11-05 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
CN112861975A (zh) * 2021-02-10 2021-05-28 北京百度网讯科技有限公司 分类模型的生成方法、分类方法、装置、电子设备与介质
CN113128478A (zh) * 2021-05-18 2021-07-16 电子科技大学中山学院 模型训练方法、行人分析方法、装置、设备及存储介质
US20210303997A1 (en) * 2020-03-31 2021-09-30 Beijing Xiaomi Pinecone Electronics Co., Ltd. Method and apparatus for training a classification neural network, text classification method and apparatuses, and device
CN113505761A (zh) * 2021-09-08 2021-10-15 阿里巴巴达摩院(杭州)科技有限公司 车辆属性提取方法、装置、电子设备及存储介质
CN113792871A (zh) * 2021-08-04 2021-12-14 北京旷视科技有限公司 神经网络训练方法、目标识别方法、装置和电子设备
CN114299472A (zh) * 2021-12-23 2022-04-08 上海闪马智能科技有限公司 异常行为的确定方法和装置、存储介质及电子装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190318202A1 (en) * 2016-10-31 2019-10-17 Tencent Technology (Shenzhen) Company Limited Machine learning model training method and apparatus, server, and storage medium
CN106934392A (zh) * 2017-02-28 2017-07-07 西交利物浦大学 基于多任务学习卷积神经网络的车标识别及属性预测方法
WO2020221278A1 (zh) * 2019-04-29 2020-11-05 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
US20210303997A1 (en) * 2020-03-31 2021-09-30 Beijing Xiaomi Pinecone Electronics Co., Ltd. Method and apparatus for training a classification neural network, text classification method and apparatuses, and device
CN112861975A (zh) * 2021-02-10 2021-05-28 北京百度网讯科技有限公司 分类模型的生成方法、分类方法、装置、电子设备与介质
CN113128478A (zh) * 2021-05-18 2021-07-16 电子科技大学中山学院 模型训练方法、行人分析方法、装置、设备及存储介质
CN113792871A (zh) * 2021-08-04 2021-12-14 北京旷视科技有限公司 神经网络训练方法、目标识别方法、装置和电子设备
CN113505761A (zh) * 2021-09-08 2021-10-15 阿里巴巴达摩院(杭州)科技有限公司 车辆属性提取方法、装置、电子设备及存储介质
CN114299472A (zh) * 2021-12-23 2022-04-08 上海闪马智能科技有限公司 异常行为的确定方法和装置、存储介质及电子装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周德良;: "OpenPose结合BP网络的行为检测方法", 贵州大学学报(自然科学版) *
杨洁;陈灵娜;林颖;陈宇韶;陈俊熹;: "基于卷积网络的视频目标检测", 南华大学学报(自然科学版) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2609542A (en) * 2021-06-02 2023-02-08 Nvidia Corp Techniques for classification with neural networks
GB2609542B (en) * 2021-06-02 2023-12-13 Nvidia Corp Techniques for classification with neural networks
CN115375978A (zh) * 2022-10-27 2022-11-22 北京闪马智建科技有限公司 行为信息的确定方法、装置、存储介质及电子装置
CN115527087A (zh) * 2022-11-04 2022-12-27 北京闪马智建科技有限公司 行为信息的确定方法、装置、存储介质及电子装置
CN115841335A (zh) * 2023-02-07 2023-03-24 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备

Also Published As

Publication number Publication date
CN114611634B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN114611634A (zh) 一种行为类型的确定方法、装置、存储介质及电子装置
CN110163236B (zh) 模型的训练方法和装置、存储介质、电子装置
CN112380955B (zh) 动作的识别方法及装置
CN111626097A (zh) 一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质
CN108718249A (zh) 基于sdn网络的网络加速方法、装置与计算机可读存储介质
CN111091106B (zh) 图像聚类方法及装置、存储介质、电子装置
CN110969215A (zh) 聚类处理方法和装置、存储介质及电子装置
CN111431819A (zh) 一种基于序列化的协议流特征的网络流量分类方法和装置
CN114821247B (zh) 一种模型的训练方法、装置、存储介质及电子装置
CN115527087B (zh) 行为信息的确定方法、装置、存储介质及电子装置
CN103839278A (zh) 一种前景检测方法及装置
CN114724011B (zh) 一种行为的确定方法、装置、存储介质及电子装置
CN113593256B (zh) 基于城市管理的无人机智能驱离控制方法、系统及云平台
CN113505759B (zh) 多任务处理的方法、装置及存储介质
CN115589613A (zh) 异常网络指标预警方法和装置、通信网络和存储介质
CN111953533B (zh) 目标网络节点的工作时长调控方法、装置、设备及存储介质
CN114726876A (zh) 一种数据检测方法、装置、设备和存储介质
CN112561166A (zh) 车辆的调度方法和装置、存储介质、电子装置
CN114038197B (zh) 场景状态的确定方法、装置、存储介质及电子装置
CN115375978B (zh) 行为信息的确定方法、装置、存储介质及电子装置
CN114358662B (zh) 一种数据质量评估方法、装置、存储介质及电子装置
CN114580563A (zh) 识别结果的确定方法、装置、存储介质及电子装置
CN116206181A (zh) 数据的处理方法及装置、非易失性存储介质、电子设备
CN117011579A (zh) 图像识别网络的训练方法和装置、存储介质及电子设备
CN115006841A (zh) 一种基于云游戏的场景渲染互动方法及系统

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
GR01 Patent grant
GR01 Patent grant