[發明專利]一種基于破壞學習與注意力機制的車型分類網絡訓練方法

在審

• 申請號: 202110025249.8
• 申請日: 2021-01-08
• 公開（公告）號: CN112733712A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 王秋思
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/42;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 趙繼明

1.一種基于破壞學習與注意力機制的車型分類網絡訓練方法，基于特征提取神經網絡與softmax回歸函數，其特征在于，具體包括以下步驟：

S1、獲取需要進行車輛分類的待測車輛的初始圖像，根據破壞學習的破壞機制將初始圖像進行多尺度裁剪，形成多個尺度對應的子圖像；

S2、根據特征提取神經網絡的卷積層提取子圖像的特征圖；

S3、小尺度子圖像的特征圖進行上采樣后，與大尺度子圖像的特征圖進行通道拼接，形成初始特征圖層并發送到通道注意力模塊；

S4、所述初始特征圖層在通道注意力模塊經過處理得到通道權重矩陣，根據所述通道權重矩陣計算得到子圖像的加權特征圖；

S5、多尺度的子圖像的加權特征圖根據softmax回歸函數，計算得到初始圖像對應的目標圖像類別。

2.根據權利要求1所述的一種基于破壞學習與注意力機制的車型分類網絡訓練方法，其特征在于，所述步驟S4具體包括：

S4-1、所述初始特征圖層經過卷積層得到第一特征圖層，所述第一特征圖層經過重塑得到第二特征圖層和第四特征圖層，所述第一特征圖層經過重塑并轉置得到第三特征圖層，所述第二特征圖層和第三特征圖層相乘經過softmax回歸函數后得到通道權重矩陣；

S4-2、所述第四特征圖層與通道權重矩陣相乘，得到子圖像的加權特征圖。

3.根據權利要求2所述的一種基于破壞學習與注意力機制的車型分類網絡訓練方法，其特征在于，所述通道權重矩陣的大小為第三特征圖層的大小的平方。

4.根據權利要求1所述的一種基于破壞學習與注意力機制的車型分類網絡訓練方法，其特征在于，所述初始圖像為單通道圖像。

5.根據權利要求4所述的一種基于破壞學習與注意力機制的車型分類網絡訓練方法，其特征在于，所述每個尺度的子圖像拼接后形成初始圖像的多通道圖像。

6.根據權利要求5所述的一種基于破壞學習與注意力機制的車型分類網絡訓練方法，其特征在于，所述多通道圖像的通道數為相應尺度的高度裁剪比例和寬度裁剪比例的乘積的倒數。

7.根據權利要求1所述的一種基于破壞學習與注意力機制的車型分類網絡訓練方法，其特征在于，所述通道權重矩陣的權重參數表征初始特征圖層中各通道間的關系密切程度。

8.根據權利要求1所述的一種基于破壞學習與注意力機制的車型分類網絡訓練方法，其特征在于，所述步驟S1中每個尺度包括多個子圖像。

9.根據權利要求8所述的一種基于破壞學習與注意力機制的車型分類網絡訓練方法，其特征在于，所述同尺度的子圖像的尺寸相同。

10.根據權利要求8所述的一種基于破壞學習與注意力機制的車型分類網絡訓練方法，其特征在于，所述大尺度的子圖像的尺寸大于小尺度的子圖像的尺寸。