[發(fā)明專利]一種基于多分支局部注意力網(wǎng)絡(luò)的車輛分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110881344.8
• 申請(qǐng)日: 2021-08-02
• 公開(kāi)（公告）號(hào): CN113610144A
• 公開(kāi)（公告）日: 2021-11-05
• 發(fā)明（設(shè)計(jì)）人: 周平;陳晨;閆如根;趙吉祥;胡昌隆;呂強(qiáng);李濤
• 申請(qǐng)（專利權(quán)）人: 合肥市正茂科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥天明專利事務(wù)所(普通合伙) 34115
• 代理人: 婁岳

本發(fā)明公開(kāi)了一種基于多分支局部注意力網(wǎng)絡(luò)的車輛分類方法，具體步驟包括獲取待分類車輛圖片并劃分為訓(xùn)練集和測(cè)試集；將車輛圖片的訓(xùn)練集輸入構(gòu)建多分支局部注意力網(wǎng)絡(luò)的車輛分類模型進(jìn)行訓(xùn)練，所述多分支局部注意力網(wǎng)絡(luò)包括基于通道的卷積注意力模塊，以及基于空間的局部注意力模塊；根據(jù)訓(xùn)練好的車輛分類模型對(duì)車輛圖片的測(cè)試集進(jìn)行分類預(yù)測(cè)，得到分類結(jié)果。本發(fā)明在原始ResNet?50模型中添加多分支局部注意力結(jié)構(gòu)，該結(jié)構(gòu)能夠更準(zhǔn)確地獲取特征圖中不同鄰域的信息，增強(qiáng)了關(guān)鍵特征的表達(dá)性，從而提高了車輛分類準(zhǔn)確率；同時(shí)我們的多分支注意力結(jié)構(gòu)具有便攜性，可以嵌入到其他網(wǎng)絡(luò)模型中。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，特別涉及一種基于多分支局部注意力網(wǎng)絡(luò)的車輛分類方法。

背景技術(shù)

近年來(lái)，智能交通系統(tǒng)(ITS)發(fā)展快速，隨著計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)的發(fā)展，為智能交通系統(tǒng)更有效的應(yīng)用提供了契機(jī)。計(jì)算機(jī)視覺(jué)是利用計(jì)算機(jī)來(lái)模擬人的視覺(jué)能力，從客觀事物的圖像中提取信息，進(jìn)行處理并加以理解，最終應(yīng)用到實(shí)際生活中，例如車輛分類。

傳統(tǒng)的基于視覺(jué)的車輛分類方法通常是依賴于手工特征，如顏色直方圖(CH)、紋理描述符(TD)、GIST)或通過(guò)BoVW、IFK、SPM等編碼局部特征生成的表示，費(fèi)時(shí)費(fèi)力，泛化能力差，易受環(huán)境變化和遮擋的影響。隨著深度學(xué)習(xí)理論和實(shí)踐的迅速發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)與分類進(jìn)入了一個(gè)新的階段。不同于傳統(tǒng)的特征提取算法，卷積神經(jīng)網(wǎng)絡(luò)具有一定的不變性的幾何變換、變形和光照，可以克服改變車輛外觀的困難，可以解決遮擋問(wèn)題，能夠自適應(yīng)的訓(xùn)練數(shù)據(jù)驅(qū)動(dòng)下構(gòu)建的特征描述，具有更大的靈活性和綜合能力。

現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)方法依然存在不足之處在于，沒(méi)有明確區(qū)分關(guān)鍵信息和冗余信息，模型的特征識(shí)別能力仍然不強(qiáng)不足。期間多層卷積和池化，大量重要信息丟失，導(dǎo)致提取的特征不能很好地表示目標(biāo)。

發(fā)明內(nèi)容

本發(fā)明的目的克服現(xiàn)有技術(shù)存在的不足，為實(shí)現(xiàn)以上目的，采用一種基于多分支局部注意力網(wǎng)絡(luò)的車輛分類方法，以解決上述背景技術(shù)中提出的問(wèn)題。

一種基于多分支局部注意力網(wǎng)絡(luò)的車輛分類方法，具體步驟包括：

獲取待分類車輛圖片并劃分為訓(xùn)練集和測(cè)試集；

將車輛圖片的訓(xùn)練集輸入構(gòu)建多分支局部注意力網(wǎng)絡(luò)的車輛分類模型進(jìn)行訓(xùn)練，所述多分支局部注意力網(wǎng)絡(luò)包括基于通道的卷積注意力模塊，以及基于空間的局部注意力模塊；

根據(jù)訓(xùn)練好的車輛分類模型對(duì)車輛圖片的測(cè)試集進(jìn)行分類預(yù)測(cè)，得到分類結(jié)果。

作為本發(fā)明的進(jìn)一步的方案：所述獲取待分類車輛圖片并劃分為訓(xùn)練集和測(cè)試集的具體步驟包括：

獲取車輛場(chǎng)景圖像，并劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集和測(cè)試集的比例為4:1；

所述訓(xùn)練集包括M張訓(xùn)練圖片為X＝{X₁,X₂,…,X_m,…,X_M}，所述訓(xùn)練集包括N張訓(xùn)練圖片為Y＝{Y₁,Y₂,…,Y_n,…,Y_N}，其中X_m表示第m張訓(xùn)練圖片，Y_n表示第n張測(cè)試圖片；

對(duì)所述訓(xùn)練集和測(cè)試集的圖片進(jìn)行標(biāo)簽與原圖一對(duì)一標(biāo)注。

作為本發(fā)明的進(jìn)一步的方案：所述將車輛圖片的訓(xùn)練集輸入構(gòu)建多分支局部注意力網(wǎng)絡(luò)的車輛分類模型進(jìn)行訓(xùn)練，所述多分支局部注意力網(wǎng)絡(luò)包括基于通道的卷積注意力模塊，以及基于空間的局部注意力模塊的具體步驟包括：

基于ResNet-50模型構(gòu)建多分支局部注意力網(wǎng)絡(luò)結(jié)構(gòu)；

利用基于通道的卷積注意力模塊引入作為第一個(gè)分支；