[發明專利]一種車輛后拍圖像品牌訓練方法

在審

• 申請號: 202110322535.0
• 申請日: 2021-03-25
• 公開（公告）號: CN113076840A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 陳利軍;傅慧源;林煥凱;董常青;馬華東;王川銘;洪曙光;王祥雪;劉雙廣
• 申請（專利權）人: 高新興科技集團股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T3/40;G06T5/00
• 代理公司: 廣州國鵬知識產權代理事務所(普通合伙) 44511
• 代理人: 葛紅

1.一種車輛后拍圖像品牌訓練方法，其特征在于，包括步驟：

S1，卷積神經網絡特征提取模型訓練；

具體的步驟S1包括：S1.1、獲取多張圖像組成輸入元素，選取三元組；

S1.2、通過卷積神經網絡模型分別提取第一輸入圖像的基本特征，獲得基本表征；

S1.3、根據三元損失函數計算出相應的損失；

S1.4、通過反向傳播算法，更新所述卷積神經網絡模型中的參數，得到最終的卷積神經網絡特征提取模型；

S2，分類器訓練；

S2.1、利用所述最終的特征提取模型提取第二輸入圖像的特征；

S2.2、根據對抗噪聲生成器生成對應的噪聲數據，通過融合策略與步驟S2.1中提取的特征進行融合；

S2.3、將融合后的特征輸入到分類器中，獲得分類結果；

S2.4、將分類結果與預設正確類別進行損失計算；

S2.5、將步驟S2.4計算的損失通過反向傳播算法傳遞到分類器的參數中，再通過梯度下降的方法優化分類器的參數，得到最終的識別模型。

2.根據權利要求1所述的車輛后拍圖像品牌訓練方法，其特征在于，所述三元組由錨點數據x^a，正例數據x^p，和反例數據xⁿ構成。

3.根據權利要求1所述的車輛后拍圖像品牌訓練方法，其特征在于，在所述步驟S1.2中，提取所述基本特征包括，將所述圖像的大小通過線性插值的方法調整到256*256，然后輸入到卷積神經網絡模型中，將該模型的輸出經過一層卷積網絡層進行特征聚合，將該層的輸出作為提取到的圖像表征，該表征是一個有256個元素的一維向量。

4.根據權利要求2所述的車輛后拍圖像品牌訓練方法，其特征在于，在所述步驟S1.3中，所述三元損失函數的計算公式為：

其中f()表示卷積神經網絡進行特征提取，表示基于L2的距離度量；該損失函數的表示：對于N個三元組，計算正例數據和反例數據與錨點數據之間的差值，將此差值求和作為最終的損失，這就要求網絡將正例數據與錨點數據的表征盡量相一致，而反例樣本的表征盡量的遠，來達到對所有三元組都能實現：

5.根據權利要求1所述的車輛后拍圖像品牌訓練方法，其特征在于，在所述步驟S2.2中，所述根據對抗噪聲生成器生成對應的噪聲數據，通過融合策略與步驟S2.1中提取的特征進行融合，包括步驟：

S2.2.1、基于高斯函數，生成均值為0，方差為1的噪聲數據；

S2.2.2、使用基于ImageNet訓練的Autoaugment圖像增強方法來對圖像進行變換；

S63、將上述噪聲數據與步驟S5中提取的特征進行線性加權融合。

6.根據權利要求5所述的車輛后拍圖像品牌訓練方法，其特征在于，在所述步驟S2.2.2中，所述變換包括旋轉、通道改變或者亮度調整。

7.根據權利要求1所述的車輛后拍圖像品牌訓練方法，其特征在于，在所述步驟S2.3中，所述融合后的特征是一個大小為[C,H,W]的特征向量，將其通過一個空間池化層，該池化層將[H,W]維度的特征進行平均，特征圖由此聚合為一個具有C個值的特征向量，將該特征向量表示輸入到一層全聯接層中進行分類，得到最后的分類結果。

8.根據權利要求7所述的車輛后拍圖像品牌訓練方法，其特征在于，在所述步驟S2.5中，選用隨機梯度下降(Stochastic Gradient Descent，SGD)作為優化器，其參數更新可以表示為：

其中θ為需要更新的參數，α表示學習率。

9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現權利要求1-8任一所述的車輛后拍圖像品牌訓練方法的步驟。

10.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現權利要求1-8任一所述的車輛后拍圖像品牌訓練方法的步驟。