【技术实现步骤摘要】
基于神经网络结构搜索的车辆多属性识别方法、装置、介质
本专利技术涉及人工智能
，特别是一种基于神经网络结构搜索的车辆多属性识别方法、装置及存储介质。
技术介绍
在现实生活中，人们所看到的某一景物往往具有多种标签属性，如一辆车会有不同的颜色、车型、车系以及车牌类型等等。传统的机器学习模型往往需要对单个的标签属性人工设计不同的特征以达到分类识别的目的。而随着近年来深度学习的兴起，神经网络逐渐替代传统的特征工程成为一种主流的图像分类方法。得益于其设计上的得天独厚的分层架构，使得使用多分支结构同时识别图片的多种属性标签成为可能，而这种并行的结构无疑可以有效提高效率，故使得多标签分类成为图像分类应用中一种重要的技术方向。对于现有的借助于神经网络的多标签分类技术而言，如何去确定其分支结构成为了其瓶颈所在。工程师往往需要历时长久的网络工程才能得到一种符合应用场景的网络架构。而网络结构搜索技术被认为是解决这一问题的关键，然而现有的方法耗时良久，如谷歌公司所发布的NASNet网络需耗时1800个GPU日(即单个GPU需要运行1800天)以及基于进化算法所得的AmobaNet需...
【技术保护点】
1.一种基于神经网络结构搜索的车辆多属性识别方法，其特征在于，该方法包括：确定步骤，确定M个神经网络模型的基本网络结构作为网络搜索空间的基本单元Ci，其中，1≤i≤M，M为大于0的整数；基准模型选择步骤，对所述车辆的多属性中的第一属性预训练所述M个神经网络模型，并根据训练后的所述M个神经网络模型的识别结果进行比较，选择识别性能最佳的神经网络模型作为基准神经网络模型Base，其单元数目为N，其中，N为大于0的整数；分支确定步骤，取基准神经网络模型Base的前半个网络作为车辆多属性识别模型的低层特征提取器，前半个网络的末端作为整个车辆多属性识别网络的起始分支点，其中，所述前半个...
【技术特征摘要】
1.一种基于神经网络结构搜索的车辆多属性识别方法，其特征在于，该方法包括：确定步骤，确定M个神经网络模型的基本网络结构作为网络搜索空间的基本单元Ci，其中，1≤i≤M，M为大于0的整数；基准模型选择步骤，对所述车辆的多属性中的第一属性预训练所述M个神经网络模型，并根据训练后的所述M个神经网络模型的识别结果进行比较，选择识别性能最佳的神经网络模型作为基准神经网络模型Base，其单元数目为N，其中，N为大于0的整数；分支确定步骤，取基准神经网络模型Base的前半个网络作为车辆多属性识别模型的低层特征提取器，前半个网络的末端作为整个车辆多属性识别网络的起始分支点，其中，所述前半个网络包含N/2个单元；车辆多属性识别网络构建步骤，针对所述车辆的多属性中的第二属性，分别应用N/4个不同的基本单元Ci作为起始分支点后的分支神经网络的基本结构对不同的第二属性进行识别，并比较识别结果，为第二属性选择一个识别性能最佳的基本单元作为分支点后N/4个单元的网络结构，重复上述操作，为车辆多属性的其他属性选择最佳的基本单元，以构建多分支的车辆多属性识别网络；识别步骤，使用所述车辆多属性识别网络对车辆的属性进行识别。2.根据权利要求1所述的方法，其特征在于，所述车辆多属性为图片中车辆的车系型号、车身颜色、车型以及车牌类型，其中第一属性为车系型号，第二属性为车身颜色。3.根据权利要求2所述的方法，其特征在于，所述M＝5，所述神经网络模型分别为：googlenet、resnet、resneXt、SENet和SKNet。4.根据权利要求3所述的方法，其特征在于，所述车辆多属性识别网络构建步骤中使用回溯更正机制对车辆多属性识别网络进行校正，在对车辆多属性识别网络的一属性分支增加网络深度但无法提高识别精度，则将该属性分支在下一次的搜索过程中反向减少其网络层数。5.根据权利要求3任一项所述的方法，其特征在于，所述车辆多属性识别网络构建步骤中使用基本单元选取更正机制对车辆多属性识别网络进行校正，在对车辆多属性识别网络的一属性分支中，若在一次搜索中，特定的基本单元对其识别准确率有较大影响时，则在下一次搜索对该单元做特殊处理。6.一种基于神经网络结构搜索的车辆多属性识别装置，其特征在于，该装置包括...
【专利技术属性】
技术研发人员：林修明，周成祖，王海滨，林淑强，张永光，
申请(专利权)人：厦门市美亚柏科信息股份有限公司，
类型：发明
国别省市：福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。