[發明專利]一種基于深度學習的車輛多屬性聯合分析方法

有效

• 申請號: 201610067290.0
• 申請日: 2016-01-29
• 公開（公告）號: CN105740906B
• 公開（公告）日: 2019-04-02
• 發明（設計）人: 程誠;顏卓;馮友計;覃勛輝;呂江靖;周祥東;石宇;周曦;袁家虎
• 申請（專利權）人: 中國科學院重慶綠色智能技術研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

1.一種基于深度學習的車輛多屬性聯合分析方法，其特征在于：在該方法中，首先，對車輛數據靜態圖像進行多屬性標注并完成挑選整理，包括離散特征：車輛類別、車型、車門數量、車座數量；以及連續特征：排氣量、最大時速；然后，將訓練數據集送入深度卷積神經網絡進行特征圖的提取以及Pooling運算；最后，采用改進的多屬性聯合分析方法對模型進行主輔任務優化訓練；

該方法具體包括以下步驟：

S1：將多任務學習方法引入深度卷積神經網絡訓練模型；

S2：構建多屬性聯合分析深層網絡；

S3：改進多屬性訓練的內部監聽機制以增強權值共享。

2.根據權利要求1所述的一種基于深度學習的車輛多屬性聯合分析方法，其特征在于：所述步驟S1包括：

S11：準備多屬性的標注數據：對采集的車輛訓練數據進行多標簽的標注，使其含有多種屬性；

S12：提取已完成分類的有效可用數據并進行詳盡整理，包括：

S121：按照車系級別將車輛分為431類，訓練集和測試集圖片數量分別為16,016張和14,939張，且訓練集已經被隨機化；

S122：按照車輛方向屬性共分為F(front)、R(rear)、S(side)、FS(front-side)和RS(rear-side)共4類，其中F方向上的訓練集和測試集圖片數量分別為2,593張和2,381張；

S123：按照車型屬性共細劃分為12種類別，分別為：MPV、SUV、掀背式車、轎車、小巴的士、溜背型轎車、連箱式車、皮卡、運動型轎車、跨界車、敞篷車和硬頂敞篷車，其中F方向上的訓練集和測試集圖片數量分別為2,524張和2,315張；

S124：按照車門數量屬性共分為4類，分別為：2門、3門、4門以及5門，其在F方向上的訓練集和測試集中數據的數量分布情況與車型屬性相同。

3.根據權利要求2所述的一種基于深度學習的車輛多屬性聯合分析方法，其特征在于：在步驟S2中，選取不限于F方向上的車輛數據進行算法驗證，并將此方向上車輛的model類別作為主要任務進行訓練和測試，車型屬性以及車門數量屬性作為兩項輔助學習任務依次加入本網絡中，從而實現多任務聯合學習的深度學習網絡，具體包括：

本方法中所用的深度學習網絡共含有5個卷積層，2個全連接層以及1個判斷輸出層；其中，每一層提取出的特征圖，先與卷積核函數進行卷積后，再進行池化降維操作，最后被輸入送進到下一層；每層的詳細參數如下：第一卷積層的特征圖數量為96個，每個特征圖的大小為27*27維，卷積核為11*11維，池化層為3*3維；第二卷積層的特征圖數量為256個，每個特征圖的大小為12*12維，卷積核為5*5維，池化層為3*3維；第三卷積層的特征圖數量為384個，每個特征圖的大小為11*11維，卷積核為3*3維；第四卷積層的特征圖數量為384個，每個特征圖的大小為10*10維，卷積核為3*3維；第五卷積層的特征圖數量為256個，每個特征圖的大小為5*5維，卷積核為3*3維，池化層為3*3維；最后兩層全連接層分別為4096維和1024維。

4.根據權利要求2所述的一種基于深度學習的車輛多屬性聯合分析方法，其特征在于：在步驟S3中，本方法將任務進行主、輔分離，即將主要任務d車輛的model類別作為優化的目標，其他的所有相關任務r∈R作為輔助任務；此處的輔助學習分類屬性包括：車型屬性、車門數量屬性、車輛拍攝方向角度；對于多屬性聯合分析方法的改進如以下公式所示：

有T個不同種類的待學習任務，對于每一個任務t，都有一個自己的訓練集其中N_t表示該訓練集中的數據對數量，t＝{1,…,T},i＝{1,…,N_t}，為特征向量，為每張圖片對應的標注結果，W＝(w₁,…,w_t)為系數矩陣，L(·,·)為定義的損失函數，R(·)為正則化項用以對不同稀疏模型W的復雜度進行懲罰，系數λ用來控制正則化的程度。