【技术实现步骤摘要】
一种离散标签下基于深度相对学习的雾天能见度估计方法
本专利技术涉及图像识别
，具体是一种离散标签下基于深度相对学习的雾天能见度估计方法。
技术介绍
由于雾天能见度的降低，给人们的出行带来不便，尤其是高速公路上的车辆高速行驶，交通部分需要快速监测雾天的能见度级别，来对来往车辆进行适当的交通管控，以往，一般都是采用目测法或通过仪器设备法来检测能见度的级别，这些方法的效率低、成本高、识别准确率也不高，然而，随着人工智能技术的兴起，尤其是深度学习在计算机视觉上的快速发展和应用，让我们开始通过深度学习方法对于高速公路摄像机拍摄的雾天图像进行能见度分类；然而，目前实际应用的主要标注方法还是目测法和仪器设备测量法，但是存在以下缺点：(1)目测法，还是需要专业的气象学家或从事相关工作的研究人员，但是判别效率低，判断还是取于人的意识，主观性较强，不同的人对同一个雾天图像可能会得到不同的结果。(2)仪器设备测量法需要昂贵的设备且设备在公路上部署间隔远，一般相距20km左右，且是以点之间的间距作为测量到能见度，而实际...
【技术保护点】
1.一种离散标签下基于深度相对学习的雾天能见度估计方法，其特征在于，通过利用图像的顺序信息和相对关系来估计能见度，即VISOR-NET，具体操作如下：/n步骤1：首先，将所有的数据集，按照比例分为训练集和测试集，在所有的数据集上，随机选取30％的图像作为测试集，其余部分作为训练集；/n步骤2：将训练集图像输入到该方法的特征提取和回归模型中，其中，特征提取和回归模型前半部分的雾卷积神经网络可以视为一个特征提取器，图像通过这里就可以得到雾天图像的特征图，再通过特征提取和回归模型后半部分的一个全连接的回归网络，可以视为一个估计函数，通过特征来图得到一个相对的回归值；/n步骤3：再...
【技术特征摘要】
1.一种离散标签下基于深度相对学习的雾天能见度估计方法，其特征在于，通过利用图像的顺序信息和相对关系来估计能见度，即VISOR-NET，具体操作如下：
步骤1：首先，将所有的数据集，按照比例分为训练集和测试集，在所有的数据集上，随机选取30％的图像作为测试集，其余部分作为训练集；
步骤2：将训练集图像输入到该方法的特征提取和回归模型中，其中，特征提取和回归模型前半部分的雾卷积神经网络可以视为一个特征提取器，图像通过这里就可以得到雾天图像的特征图，再通过特征提取和回归模型后半部分的一个全连接的回归网络，可以视为一个估计函数，通过特征来图得到一个相对的回归值；
步骤3：再将所有训练集图像得到的相对的回归值，提取序数信息来两两配对，再进行比较，此外，比较的结果是由损失函数来体现，排序错误的越多，损失函数越大；排序错误越少，损失函数越小；
步骤4：该方法的第一个损失函数是本发明的目标就是通过不断的学习，迭代更新排序信息，让损失函数Ls越小越好，最好减为0；并且，为了防止配对图像的差值太大，使得值太过分散而不利于预测，这里还在加入一个聚类损失Lc，最终将L＝Ls+λ*Lc作为本方法最终的损失函数；
步骤5：当一次迭代过程结束，最终预测是通过最近邻算法，判断样本的最终的能见度级别；
步骤6：最后就是不断迭代，更新损失，重复上述过程，使得复合损失函数L减的越来越小，通过训练集样本的预测值和真实值的比较，就可以得到训练准确率；
步骤7：最后将测试集用训练好的权重，用同样的方法进行测试，即可得到测试准确率。
2.根据权利要求1所述的一种离散标签下基于深度相对学习的雾天能见度估计方法，其特征在于，所述步骤3中的配比比较，具体步骤如下：
A、假设有M级别，用Y＝{1,…,M}表示；k级别标注的一组实例可以记为：是由雾卷积神经网络提取的图像的能见度特征；
而是由一个全连接的回归网络映射得到的的相对值，进一步的，用其中的表示k级中已标注的实例；
B、根据序数关系，类别间的标注yk满足不等式：y1<y2<y3…<yM，尽管不知道真实的能见度但是这一相对值的序数关系应该与上面的不等式一致，可以公式化为：
公式1：f(φ(x1))<f(φ(x2))<f(φ(x3))…<f(φ(xM))；
通过上述公式1，VISOR-NET把这个序数关系被转化为一系列的对，即公式2：
f(φ(x1))<f(φ(x2))，…，f(φ(x1))<f(φ(xM))；
f(φ(x2))<f(φ(x3))，…，f(φ(x2))<f(φ(...
【专利技术属性】
技术研发人员：章军，胡涛，陈鹏，王兵，夏懿，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽;34
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。