[發(fā)明專(zhuān)利]基于神經(jīng)架構(gòu)搜索的車(chē)輛細(xì)粒度識(shí)別方法、系統(tǒng)和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110262167.5
• 申請(qǐng)日: 2021-03-10
• 公開(kāi)（公告）號(hào): CN113159115B
• 公開(kāi)（公告）日: 2023-09-19
• 發(fā)明（設(shè)計(jì)）人: 王家寶;苗壯;趙勛;李陽(yáng);曾志成;張睿;潘志松
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)人民解放軍陸軍工程大學(xué)
• 主分類(lèi)號(hào): G06V10/82
• 分類(lèi)號(hào): G06V10/82;G06V10/80;G06V10/764;G06N3/0464;G06N3/084
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司 32224
• 代理人: 嚴(yán)志平

1.一種基于神經(jīng)架構(gòu)搜索的車(chē)輛細(xì)粒度識(shí)別方法，其特征在于，包括：

獲取包含待識(shí)別目標(biāo)的圖像；

利用預(yù)先確定的多路徑網(wǎng)絡(luò)對(duì)所述圖像進(jìn)行車(chē)輛細(xì)粒度識(shí)別，采用預(yù)設(shè)的融合方法融合多路徑網(wǎng)絡(luò)輸出的多個(gè)分類(lèi)結(jié)果，得到最終識(shí)別結(jié)果；所述預(yù)設(shè)的融合方法包括加權(quán)融合和乘積融合：

其中，所述加權(quán)融合通過(guò)以下公式實(shí)現(xiàn)：

(6)式中，為加權(quán)融合后第i個(gè)類(lèi)的預(yù)測(cè)概率，為第m個(gè)路徑輸出的第i個(gè)類(lèi)的概率，M為分類(lèi)器個(gè)數(shù)，即分支路徑個(gè)數(shù)，C為類(lèi)別個(gè)數(shù)；

其中，所述乘積融合通過(guò)以下公式實(shí)現(xiàn)：

(7)式中，為乘積融合后第i個(gè)類(lèi)的預(yù)測(cè)概率，為第m個(gè)路徑輸出的第i個(gè)類(lèi)的概率，M為分類(lèi)器個(gè)數(shù)，即分支路徑個(gè)數(shù)，C為類(lèi)別個(gè)數(shù)；

其中，所述多路徑網(wǎng)絡(luò)通過(guò)以下步驟得到的：

獲取源域車(chē)輛細(xì)粒度識(shí)別數(shù)據(jù)集和目標(biāo)域車(chē)輛細(xì)粒度識(shí)別數(shù)據(jù)集；

在源域車(chē)輛細(xì)粒度識(shí)別數(shù)據(jù)集，基于預(yù)設(shè)的損失函數(shù)搜索使預(yù)設(shè)的初始網(wǎng)絡(luò)性能最優(yōu)時(shí)網(wǎng)絡(luò)架構(gòu)單元的內(nèi)部連接結(jié)構(gòu)，得到最佳的網(wǎng)絡(luò)架構(gòu)單元；其中，所述預(yù)設(shè)的損失函數(shù)為：

L＝L^PM+λL^CE?????????????????????(1)

(1)式中，λ表示L^CE和L^PM之間的權(quán)重，L^PM表示類(lèi)中心度量損失函數(shù)，通過(guò)以下公式表示：

(2)式中，f_i^k表示第i類(lèi)車(chē)輛中的第k個(gè)樣本特征，表示第i類(lèi)車(chē)輛中的樣本特征中心，函數(shù)g表示度量f_i^k和的距離函數(shù)；

(1)式中，L^CE表示分類(lèi)損失函數(shù)，通過(guò)以下公式表示：

(3)式中，f^k表示第k個(gè)樣本特征，y^k表示第k個(gè)樣本的真實(shí)標(biāo)簽，且y^k∈{1,2,…,C}，表示特征f^k映射到真實(shí)標(biāo)簽類(lèi)別y^k的權(quán)重參數(shù)，W_j表示特征f^k映射到第j個(gè)類(lèi)別的權(quán)重參數(shù)，C為類(lèi)別總個(gè)數(shù)；

重復(fù)堆疊所述最佳的網(wǎng)絡(luò)架構(gòu)單元，得到未訓(xùn)練的多路徑網(wǎng)絡(luò)；

基于目標(biāo)域車(chē)輛細(xì)粒度識(shí)別數(shù)據(jù)集，采用預(yù)設(shè)的損失函數(shù)訓(xùn)練多路徑網(wǎng)絡(luò)的參數(shù)，得到訓(xùn)練完成的多路徑網(wǎng)絡(luò)。

2.根據(jù)權(quán)利要求1所述的基于神經(jīng)架構(gòu)搜索的車(chē)輛細(xì)粒度識(shí)別方法，其特征在于，所述預(yù)設(shè)的初始網(wǎng)絡(luò)由堆疊若干神經(jīng)架構(gòu)搜索中的網(wǎng)絡(luò)架構(gòu)單元構(gòu)成，且每個(gè)網(wǎng)絡(luò)架構(gòu)單元的內(nèi)部連接結(jié)構(gòu)是相同的、經(jīng)搜索確定的。

3.根據(jù)權(quán)利要求1所述的基于神經(jīng)架構(gòu)搜索的車(chē)輛細(xì)粒度識(shí)別方法，其特征在于，所述類(lèi)中心度量損失函數(shù)需要配置如下數(shù)據(jù)采樣方法：

使用不放回采樣隨機(jī)選擇P個(gè)類(lèi)別；對(duì)選擇的每個(gè)類(lèi)別，再次使用不放回采樣隨機(jī)選擇Q個(gè)樣本，最終構(gòu)造總數(shù)為PQ個(gè)樣本的一個(gè)批量的采樣數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的基于神經(jīng)架構(gòu)搜索的車(chē)輛細(xì)粒度識(shí)別方法，其特征在于，所述訓(xùn)練多路徑網(wǎng)絡(luò)的參數(shù)采用批量隨機(jī)梯度下降算法訓(xùn)練，其中參數(shù)更新規(guī)則如下：

(4)式中，w_t為第t次迭代時(shí)的參數(shù)值，為目標(biāo)損失對(duì)參數(shù)w_t的偏導(dǎo)數(shù)，學(xué)習(xí)率η_t按照帶預(yù)熱的余弦模擬退火策略進(jìn)行更新，計(jì)算規(guī)則如下：

(5)式中，η₀為最大學(xué)習(xí)率，t₀為預(yù)熱的迭代次數(shù)，t_total為總迭代次數(shù)。

5.根據(jù)權(quán)利要求1所述的基于神經(jīng)架構(gòu)搜索的車(chē)輛細(xì)粒度識(shí)別方法，其特征在于，所述利用所述多路徑網(wǎng)絡(luò)對(duì)車(chē)輛進(jìn)行細(xì)粒度識(shí)別，融合多路徑網(wǎng)絡(luò)輸出的多個(gè)分類(lèi)結(jié)果時(shí)，采用預(yù)設(shè)的融合方法中加權(quán)融合和乘積融合的任一種。