[發明專利]基于多任務學習卷積神經網絡的車標識別及屬性預測方法

有效

• 申請號: 201710112249.5
• 申請日: 2017-02-28
• 公開（公告）號: CN106934392B
• 公開（公告）日: 2020-05-26
• 發明（設計）人: 張百靈;夏翌彰;顏詩洋;錢榮強
• 申請（專利權）人: 西交利物浦大學
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62;G06N3/08
• 代理公司: 蘇州創元專利商標事務所有限公司 32103
• 代理人: 范晴;丁浩秋

1.一種基于多任務學習卷積神經網絡的車標識別及屬性預測方法，其特征在于，包括以下步驟：

S01：創建基于多任務學習卷積神經網絡；

S02：采用自適應任務權重學習策略和任務自動開閉學習策略訓練卷積神經網絡，所述自適應任務權重學習策略為：其中，α_i是第i個任務的權重，是第j次所有數據迭代中第i個任務的加權，是第i個任務在第j次迭代后驗證誤差，β是控制任務權重當前迭代和前一次迭代的權重之間平衡的實驗參數，N是任務總數；所述任務自動開閉學習策略包括暫停執行不佳的任務機制和重新激活暫停的任務機制，所述暫停執行不佳的任務機制為當在驗證集上計算每個任務的誤差連續H次誤差都未減小，暫停該任務；所述重新激活暫停的任務機制為當Eva^j-min_j＝1,…,JEavδ，掛起的任務將被重新激活，其中，Etr為訓練誤差，Eva為驗證誤差，Eav是平均誤差，δ為設定閾值；

S03：使用訓練好的卷積神經網絡對獲取的車輛標識圖像進行分層提取特征，根據車標數據庫進行車標識別及屬性預測。

2.根據權利要求1所述的基于多任務學習卷積神經網絡的車標識別及屬性預測方法，其特征在于，所述基于多任務學習卷積神經網絡包括依次連接的卷積層、最大池化層、全連層；

所述卷積層表達式：C₁＝f_act(b+∑_kw^k*x^k）

式中，x^k和C₁分別是第k個原始圖像和經過第1層卷基層得到的特征圖，w^k是卷積濾波器的權重，*表示點積運算，b和f_act(·)是偏差和非線性映射；

所述最大池化層的公式為：

式中，第k個輸出圖y^k中的每個神經元生成用于第k個輸入圖x^k的s×s非重疊局部區域；

在最后的最大池層之后連接的是被分裂成N個分支的全連層，損失函數的定義如下：

式中，L是總損失，N是任務總數，L_i是第i個任務的損失函數，α_i是第i個任務的權重。