车辆分类方法、设备及存储介质技术

本申请涉及一种车辆分类方法、设备及存储介质，属于图像识别技术领域，该方法包括：将目标图像输入预先训练的基础分类模型，得到目标图像的图像特征、目标图像中车辆的分类结果和分类结果的置信度，每辆车辆的分类结果包括m级分类信息；在置信度小于预设阈值的情况下获取属于第一级分类信息的样本车辆图像得到支持集；将支持集输入预先训练的小样本分类模型执行元测试任务，得到第一级分类信息下各子类的小样本特征；基于图像特征和各子类的小样本特征，确定车辆的最终分类结果；可以解决训练分类模型的训练数据少，导致分类模型的鲁棒性不足、车辆分类结果容易出错的问题；可以提高车辆分类的准确率。车辆分类的准确率。车辆分类的准确率。

【技术实现步骤摘要】
车辆分类方法、设备及存储介质


[0001]本申请涉及一种车辆分类方法、设备及存储介质，属于图像识别


技术介绍

[0002]随着智能交通系统(Intelligent Transport System，ITS)技术的发展，可以实现从图像中自动识别出车辆的类别。而用户需要识别的车辆类别可能是多种，比如：对车辆品牌的识别，不仅需要识别出车辆的大品牌、还要识别出该大品牌下的子品牌、年款等分类。
[0003]传统的车辆分类方式包括：将车辆图像的多种分类标签合并为一个整体的标签，然后使用该车辆图像和该整体的标签对神经网络模型进行训练。之后，使用训练得到的分类模型对图像的多种分类同时进行识别，得到该图像中车辆的多种分类。
[0004]然而，目前的车辆的少部分车型可能使用数量较少，导致训练神经网络模型的训练数据也很少，这样，会使得训练得到的分类模型的鲁棒性不足，进而导致车辆分类出错影响后续行为判断的问题。

技术实现思路

[0005]本申请提供了一种车辆分类方法、设备及存储介质，可以解决训练分类模型的训练数据少，导致分类模型的鲁棒性不足、车辆分类结果容易出错的问题。本申请中，通过将基础分类模型的特征和小样本分类模型的特征融合，设计成端到端的车辆分类形式来提高车型分类的整体准确率。本申请提供如下技术方案：
[0006]第一方面，提供一种车辆分类方法，所述方法包括：
[0007]获取目标图像；
[0008]将所述目标图像输入预先训练的基础分类模型，得到所述目标图像的图像特征、所述目标图像中车辆的分类结果和所述分类结果的置信度，每辆车辆的分类结果包括m级分类信息，所述m为大于1的正整数；所述基础分类模型是使用第一训练集训练得到的，所述第一训练集包括样本车辆图像和所述样本车辆图像中每辆车辆的m级分类标签；
[0009]在所述置信度小于预设阈值的情况下，从第二训练集中获取属于所述分类结果中的第一级分类信息的样本车辆图像，得到支持集；所述第二训练集包括各个第一级分类信息对应的车辆样本图像、以及每个车辆样本图像在对应的所述第一级分类信息下的子类标签；
[0010]将所述支持集输入预先训练的小样本分类模型执行元测试任务，得到所述第一级分类信息下各子类的小样本特征和更新后的小样本分类模型；所述小样本分类模型使用第三训练集构建的元训练任务训练得到；
[0011]基于所述图像特征和所述各子类的小样本特征，确定所述车辆的最终分类结果。
[0012]可选地，所述基于所述图像特征和所述各子类的小样本特征，确定所述车辆的最终分类结果，包括：
[0013]将所述图像特征分别与各子类的小样本特征进行融合，得到各子类的融合后的特
征；
[0014]将所述目标图像输入执行所述更新后的小样本分类模型，得到所述目标图像的小样本特征；
[0015]基于所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度，确定所述车辆的最终分类结果。
[0016]可选地，所述基于所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度，确定所述车辆的最终分类结果，包括：
[0017]在所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度大于相似度阈值的情况下，从所述各子类的融合后的特征中确定与所述小样本特征相似度最高的融合后的特征；
[0018]将所述相似度最高的融合后的特征对应的子类和所述第一级分类信息作为所述最终分类结果。
[0019]可选地，所述第三训练集包括多张样本车辆图像和每张样本车辆图像的至少两种分类结果；
[0020]使用所述第三训练集构建的元训练任务训练所述小样本分类模型的过程包括：
[0021]从所述至少两种分类结果中随机确定N种分类结果；所述N为正整数；
[0022]对于每种分类结果，从所述分类结果对应的样本车辆图像中抽取K张样本车辆图像作为支持集，并从所述分类结果对应的剩余的样本车辆图像中抽取P张样本车辆图像作为查询集，得到所述元训练任务；所述K和P为正整数；
[0023]利用预先创建的神经网络模型在所述元训练任务上进行迭代学习，直至学习后的神经网络模型收敛，得到所述小样本分类模型。
[0024]可选地，所述将所述支持集输入预先训练的小样本分类模型执行元测试任务，得到所述第一级分类信息下各子类的小样本特征和更新后的小样本分类模型，包括：
[0025]使用所述预先训练的小样本分类模型对所述支持集进行预测，得到预测值；
[0026]将所述预测值和所述支持集对应的子类标签进行对比，得到预测损失值；
[0027]基于所述预测损失值对所述预先训练的小样本分类模型进行参数更新，得到所述更新后的小样本分类模型；
[0028]使用所述更新后的小样本分类模型对所述支持集进行小样本特征提取，得到所述第一级分类信息下各子类的小样本特征。
[0029]可选地，所述基础分类模型包括特征提取网络、与所述特征提取网络分别相连的第一分支网络、第二分支网络和第三分支网络、以及与所述第一分支网络、第二分支网络和第三分支网络相连的融合层；
[0030]所述特征提取网络用于对所述目标图像进行特征提取，得到特征图；
[0031]所述第一分支网络用于将所述特征提取网络输出的特征图直接输入至所述融合层；
[0032]所述第二分支网络用于对不同通道的特征图提取特征后级联，得到级联后的特征图；
[0033]所述第三分支网络用于按照预先学习的通道权重为所述特征图的不同通道赋予权重信息，得到更新后的特征图；
[0034]所述融合层用于对所述特征图、所述级联后的特征图和所述更新后的特征图进行特征融合，得到所述图像特征。
[0035]可选地，所述第二分支网络包括依次相连的全局平均特征提取层、通道层和通道匹配层；
[0036]所述全局平均特征提取层用于提取所述特征图的全局平均特征；
[0037]所述通道层用于分别提取不同的通道特征，并将提取到的不同通道的特征级联；
[0038]所述通道匹配层用于调整级联后的特征的通道数，以使调整后的通道数与所述第一分支网络的通道数和所述第三分支网络的通道数匹配。
[0039]可选地，所述第三分支网络包括依次相连的最大池化层、全连接层、激活函数层和通道匹配层；
[0040]所述最大池化层用于减小所述特征图的尺寸；
[0041]所述全连接层用于将减小后的特征图按照通道数进行排列；
[0042]所述激活函数层用于为排列后得到的不同通道的特征图赋予权重信息；
[0043]所述通道匹配层用于调整权重调整后的特征的通道数，以使调整后的通道数与所述第一分支网络的通道数和所述第二分支网络的通道数匹配。
[0044]第二方面，提供一种电子设备，所述设备包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现第一方面提供的车辆分类方法。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆分类方法，其特征在于，所述方法包括：获取目标图像；将所述目标图像输入预先训练的基础分类模型，得到所述目标图像的图像特征、所述目标图像中车辆的分类结果和所述分类结果的置信度，每辆车辆的分类结果包括m级分类信息，所述m为大于1的正整数；所述基础分类模型是使用第一训练集训练得到的，所述第一训练集包括样本车辆图像和所述样本车辆图像中每辆车辆的m级分类标签；在所述置信度小于预设阈值的情况下，从第二训练集中获取属于所述分类结果中的第一级分类信息的样本车辆图像，得到支持集；所述第二训练集包括各个第一级分类信息对应的车辆样本图像、以及每个车辆样本图像在对应的所述第一级分类信息下的子类标签；将所述支持集输入预先训练的小样本分类模型执行元测试任务，得到所述第一级分类信息下各子类的小样本特征和更新后的小样本分类模型；所述小样本分类模型使用第三训练集构建的元训练任务训练得到；基于所述图像特征和所述各子类的小样本特征，确定所述车辆的最终分类结果。2.根据权利要求1所述的方法，其特征在于，所述基于所述图像特征和所述各子类的小样本特征，确定所述车辆的最终分类结果，包括：将所述图像特征分别与各子类的小样本特征进行融合，得到各子类的融合后的特征；将所述目标图像输入执行所述更新后的小样本分类模型，得到所述目标图像的小样本特征；基于所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度，确定所述车辆的最终分类结果。3.根据权利要求2所述的方法，其特征在于，所述基于所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度，确定所述车辆的最终分类结果，包括：在所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度大于相似度阈值的情况下，从所述各子类的融合后的特征中确定与所述小样本特征相似度最高的融合后的特征；将所述相似度最高的融合后的特征对应的子类和所述第一级分类信息作为所述最终分类结果。4.根据权利要求1所述的方法，其特征在于，所述第三训练集包括多张样本车辆图像和每张样本车辆图像的至少两种分类结果；使用所述第三训练集构建的元训练任务训练所述小样本分类模型的过程包括：从所述至少两种分类结果中随机确定N种分类结果；所述N为正整数；对于每种分类结果，从所述分类结果对应的样本车辆图像中抽取K张样本车辆图像作为支持集，并从所述分类结果对应的剩余的样本车辆图像中抽取P张样本车辆图像作为查询集，得到所述元训练任务；所述K和P为正整数；利用预先创建的神经网络模型在所述元训练任务上进行迭代学习，直至学习后的神经网络模型收敛，得到所述小样本分类模型。5.根据权利要求1...

【专利技术属性】
技术研发人员：马伟，章勇，毛晓蛟，赵妍珠，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：