一种基于自注意力的车辆属性多任务协同识别方法技术

本发明专利技术公开了一种基于自注意力的车辆属性多任务协同识别方法，包括构建训练数据集、构建深度学习网络结构、深度神经网络训练三部分。该种基于自注意力的车辆属性多任务协同识别方法，基于车辆多属性识别问题，设计了一种多任务协同识别网络结构和多任务损失函数，通过参数共享模块融合多个属性之间的共性特征；通过一次网络模型前向计算，输出多个属性任务的预测结果；不仅提升了属性属性识别准确率，而且通过多属性识别网络参数共享降低了网络参数量，大幅减少了计算资源的消耗，降低了成本，便于实际部署。便于实际部署。便于实际部署。

【技术实现步骤摘要】
一种基于自注意力的车辆属性多任务协同识别方法


[0001]本专利技术涉及图像分类
，具体为一种基于自注意力的车辆属性多任务协同识别方法。

技术介绍

[0002]随着人工智能等先进技术的迅猛发展，全国各地也加速推进部署和建设智慧城市。车辆作为智能交通系统的重要组成，结合视频大数据分析技术快速对车辆属性信息有效甄别和统筹，有助于提升智能交通系统的运行效率。车辆颜色、车辆类型、车辆品牌车系、车型等车辆属性作为车辆外观的显著特征，能够为车辆快速定位、追踪、智能化管理提供依据。
[0003]传统的车辆属性识别算法大多数都是单个属性对应单个独立的模型，没有考虑到多个属性之间的共性特征；而且在模型部署时，多个独立的模型同时加载，占用计算资源较大，模型处理性能较差，成本较高。因此我们对此做出改进，提出一种基于自注意力的车辆属性多任务协同识别方法。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0005]本专利技术一种基于自注意力的车辆属性多任务协同识别方法，包括如下步骤：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力的车辆属性多任务协同识别方法，其特征在于，包括如下步骤：S1、构建训练数据集，准备一定数量的车体图片数据，并为该数据进行打标车辆属性标签；S2、构建深度学习网络结构，构建深度学习网络结构分为两部分，第一部分是构建任务自适应图像裁剪子网络R
resizer
(w,x)，基于车辆属性任务自适应调整图像的裁剪方式；第二部分是搭建自注意力任务网络和协同共享网络，分别提取各任务特征编码信息和协同任务特征编码信息；S3、模型训练，使用动态分配的任务平均权重更新多任务损失函数，计算各任务真实值和预测值的之间的损失，使用动态分配的权重加权求取损失和，使用NAdam优化器更新网络，进行模型训练。2.根据权利要求1所述的一种基于自注意力的车辆属性多任务协同识别方法，其特征在于，所述S2中构建任务自适应图像裁剪子网络R
resizer
(w,x)的具体过程如下：a、先将原始图像通过双线性计算裁剪成矩形图像，计算公式如下：I＝Billinear(I
src
)其中I为矩形图像，Billinear(
·
)为双线性操作，I
src
为原始图片；b、I经过任务自适应图像裁剪子网络R
resizer
(w,x)计算归一化处理后图像，然后与I求和，计算公式如下：I
dst
＝I+BN(Conv2d(LeakyRelu(Bn(Conv2d(I)))其中Con2d(
·
)是R
resizer
(w,x)中的卷积操作，BN(
·
)是R
resizer
(w,x)中的批归一化操作，LeakyRelu(
·
)是LeakyRelu非线性激活函数。3.根据权利要求1所述的一种基于自注意力的车辆属性多任务协同识别方法，其特征在于，所述S2中搭建协同共享网络，用于学习协同任务的特征编码信息，具体可以表示为：Net
share
(w,x；y)＝[Block1+Maxpool1,Block2+Maxpool2,Block3+Maxpool3,Block4+Avgpool4]其中Block
i
为残差子模块，Maxpool
i
为最大池化层，Avgpool为全局池化层；构建自注意力任务网络，用于学习任务k的特征编码信息，具体可表示为：Net
k
(w,x；y)＝[block
k1
,block
k2
,block
k3
]其中block
ki
为任务k模型的子模块。4.根据权利要求3所述的一种基于自注意力的车辆属性多任务协同识别方法，其特征在于，所述S2中的自注意力任务网络中自注意力机制，即任务k网络子模块与协同共享网络子模块输出进行特征融合...

【专利技术属性】
技术研发人员：李华蓉，赵慧，王玮，白朝晖，田佳豪，孙光泽，
申请(专利权)人：西安烽火软件科技有限公司，
类型：发明
国别省市：