一种基于去冗余多阶混合训练的半监督车辆分类方法技术

本发明专利技术公开了一种基于去冗余多阶混合训练的半监督车辆分类方法，包括获取车辆图片的数据集并分类，得到训练集和测试集；对训练图片和测试图片通过搭建的深度神经网络提取每张图片的特征信息，再利用KNN算法对每张图片的特征信息进行计算，得到图结构；根据图结构信息计算邻接布尔矩阵的高阶幂，得到邻接矩阵序列；将邻接矩阵序列输入基于多阶混合训练构建的网络结构中，利用损失函数以及训练集训练得到网络模型及参数；根据网络模型和测试图片进行测试，并将初始邻接矩阵输入网络模型，得到分类结果。本发明专利技术通过将车辆图片抽象为节点，充分挖掘节点在混合邻域上的特征表示，获取到更为有效的车辆特征信息，从而达到更好的车辆分类效果。车辆分类效果。车辆分类效果。

【技术实现步骤摘要】
一种基于去冗余多阶混合训练的半监督车辆分类方法


[0001]本专利技术涉及车辆智能分类
，特别涉及一种基于去冗余多阶混合训练的半监督车辆分类方法。

技术介绍

[0002]人工智能已经成为了人们生活息息相关的话题，深度学习作为其最具突出的技术也在不断的革新完善。基于人工智能的分类技术越来越被大家所熟悉，最常见的就是照片的分类。传统的机器学习分类方法也层出不穷，代表性的就有SVM分类器(Support Vector Machine简写，代表支持向量机)、逻辑回归、朴素贝叶斯、随机森林和决策树等。但是传统的分类方法存在速度慢、容易过拟合和对数据敏感等问题，具有较大的局限性。
[0003]自从深度学习的技术兴起之后，基于卷积神经网络的分类方法的研究也是不胜枚举。大多数方法都是设计深层的网络结构来获取到图像的深层特征，包括ResNet、DesNet和一些深度神经网络等。但是卷积操作可以处理规则的图像，却无法处理不规则的图结构数据，所以越来越多的研究转向了能够处理图数据的图神经网络领域。图神经网络对于处理分类问题也是具有显著的效果，它往往是将对象抽象成节点，它在特征提取的过程中考虑了节点之间的联系性因素。图结构的应用十分广泛，可以说“万物皆可图”，代表性的图神经网络模型有Random Walk、GCN、GAT、SGC和GraphSAGE等。
[0004]现有技术的不足之处在于，现有的模型会面临过平滑和过拟合的问题。一般的图卷积网络采用两个图卷积层而无法继续深层堆叠，过多层数的堆叠会导致节点特征的过度平滑。这个问题引发的后果就是对于分类器的角度，节点不易区分，限制了最终的分类效果。在半监督学习的设置下，利用少量的有标签的节点去训练一个函数映射关系，来推断出大量的无标签的节点的标签信息。此种条件下，训练和测试的样本是严重不平衡的，无标签的节点往往是不受限制的。在训练过程中，仅有标签的节点的损失会被反向传播，这样的训练过程可能是不稳定的。最终会导致训练的过拟合，令训练出的模型失去泛化的能力。

技术实现思路

[0005]本专利技术的目的克服现有技术存在的不足，为实现以上目的，采用一种基于去冗余多阶混合训练的半监督车辆分类方法，以解决上述
技术介绍
中提出的问题。
[0006]一种基于去冗余多阶混合训练的半监督车辆分类方法，具体步骤包括：
[0007]S1、获取车辆图片的数据集并进行划分分类，得到训练集和测试集；
[0008]S2、对训练集的训练图片和测试集的测试图片通过搭建的深度神经网络提取每张图片的特征信息，再利用KNN算法对每张图片的特征信息进行计算，得到训练集和测试集的图结构；
[0009]S3、根据得到的图结构信息计算邻接布尔矩阵的高阶幂，构建得到邻接矩阵序列；
[0010]S4、将得到的邻接矩阵序列输入基于多阶混合训练构建的网络结构中，利用损失函数以及所述训练集进行训练得到网络模型及参数；
[0011]S5、根据网络模型和测试集的测试图片进行测试，并将初始邻接矩阵输入网络模型，得到最终的分类结果。
[0012]采用上述技术手段，能够解决现有的模型会面临过平滑和过拟合，进而限制了最终的分类效果的问题。
[0013]作为本专利技术的进一步的方案：所述S2中的具体步骤包括：
[0014]将训练集和测试集中的车辆图片通过ResNet网络得到每张图片的特征信息；
[0015]利用K近邻算法选取处于[2,7]范围内的一个K值，根据每张图片的特征向量，计算当前图片与其他图片的欧式距离，选取最近的K张图片作为直接近邻并将其作为节点连接起来，遍历完训练集和测试集，得到车辆图片抽象化后的图结构。
[0016]作为本专利技术的进一步的方案：所述S2中的深度神经网络具体为ResNet网络，所述ResNet网络包括ResNet50、ResNet101，以及ResNet152。
[0017]作为本专利技术的进一步的方案：所述S3的具体步骤包括：
[0018]根据得到的图结构计算邻接布尔矩阵的高阶幂，构建一个由低阶到高阶的邻接矩阵序列；
[0019]再消除低阶邻接矩阵和高阶邻接矩阵之间的冗余重复的边，构建得到消除冗余信息的邻接矩阵序列。
[0020]作为本专利技术的进一步的方案：所述构建得到消除冗余信息的邻接矩阵序列的具体步骤包括：
[0021]首先计算邻接矩阵的布尔幂：
[0022][0023]其中，A是初始的邻接矩阵，k是矩阵的幂；
[0024]再进行矩阵间的消除冗余操作：
[0025][0026]其中，D
(k)
是去除冗余后的高阶邻接矩阵，p为；
[0027]再对高阶邻接矩阵D
(k)
进行后处理，保持图结构的连接性：
[0028][0029]其中，d
ij
是矩阵D
(k)
中的元素，i表示行，j表示列；
[0030]最后得到去除冗余的邻接矩阵序列的构建：{D
(1)
,D
(2)
,D
(3)
,
…
,D
(k)
}。
[0031]作为本专利技术的进一步的方案：所述S4的具体步骤包括：
[0032]将各个去除冗余的邻接矩阵以及相应的特征矩阵分别输入到对应的图神经网络模型中，将每个网络的输出进行平均混合；
[0033]在混合训练阶段进行损失函数的定义；
[0034]在训练集上训练获得最终的模型参数。
[0035]设计了一个多通道邻域混合学习的结构，在每一个迭代的过程中，节点都学习了多个高阶邻域的混合信息表示，扩大了单个节点的感受野，其损失在训练中不断下降，改善了节点的特征表示。
[0036]作为本专利技术的进一步的方案：所述将每个网络的输出进行平均混合的具体步骤包
括：
[0037]首先将每个去除冗余的邻接矩阵输入应用的图神经网络模型，所述图神经网络模型包括GCN、GAT和SGC；
[0038]然后再平均混合经过图神经网络模型的所有邻接矩阵的输出，且均设置在一个epoch内完成。
[0039]作为本专利技术的进一步的方案：所述在混合训练阶段进行损失函数的定义的具体步骤包括：
[0040]采用Adam优化器来优化训练过程中的参数；
[0041]首先是有监督的交叉熵损失为：
[0042][0043]其中，k是冗余矩阵的最高阶，lb表示有标签的节点的数目；CE表示交叉熵损失，Y
h
和分别表示节点h的真实标签和预测值；
[0044]然后是无监督的均方差损失为：
[0045][0046]其中，是多个输出的平均分布，Z
(w)
是当前邻域图上的输出；
[0047]最后得到训练阶段的损失函数为两种损失的加权和。
[0048]具体以深度学习中的梯度反向传播算法为基础，使用Adam优化器，依据网络设定的损失函数，训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于去冗余多阶混合训练的半监督车辆分类方法，其特征在于，具体步骤包括：S1、获取车辆图片的数据集并进行划分分类，得到训练集和测试集；S2、对训练集的训练图片和测试集的测试图片通过搭建的深度神经网络提取每张图片的特征信息，再利用KNN算法对每张图片的特征信息进行计算，得到训练集和测试集的图结构；S3、根据得到的图结构信息计算邻接布尔矩阵的高阶幂，构建得到邻接矩阵序列；S4、将得到的邻接矩阵序列输入基于多阶混合训练构建的网络结构中，利用损失函数以及所述训练集进行训练得到网络模型及参数；S5、根据网络模型和测试集的测试图片进行测试，并将初始邻接矩阵输入网络模型，得到最终的分类结果。2.根据权利要求1所述一种基于去冗余多阶混合训练的半监督车辆分类方法，其特征在于，所述S2中的具体步骤包括：将训练集和测试集中的车辆图片通过ResNet网络得到每张图片的特征信息；利用K近邻算法选取处于[2,7]范围内的一个K值，根据每张图片的特征向量，计算当前图片与其他图片的欧式距离，选取最近的K张图片作为直接近邻并将其作为节点连接起来，遍历完训练集和测试集，得到车辆图片抽象化后的图结构。3.根据权利要求1所述一种基于去冗余多阶混合训练的半监督车辆分类方法，其特征在于，所述S2中的深度神经网络具体为ResNet网络，所述ResNet网络包括ResNet50、ResNet101，以及ResNet152。4.根据权利要求1所述一种基于去冗余多阶混合训练的半监督车辆分类方法，其特征在于，所述S3的具体步骤包括：根据得到的图结构计算邻接布尔矩阵的高阶幂，构建一个由低阶到高阶的邻接矩阵序列；再消除低阶邻接矩阵和高阶邻接矩阵之间的冗余重复的边，构建得到消除冗余信息的邻接矩阵序列。5.根据权利要求4所述一种基于去冗余多阶混合训练的半监督车辆分类方法，其特征在于，所述构建得到消除冗余信息的邻接矩阵序列的具体步骤包括：首先计算邻接矩阵的布尔幂：其中，A是初始的邻接矩阵，k是矩阵的幂；再进行矩阵间的消除冗余操作：其中，D
(k)
是去除冗余后的高阶邻接矩阵，p为；再对高阶邻接矩...

【专利技术属性】
技术研发人员：吕强，王雪雁，周平，胡昌隆，吕建春，
申请(专利权)人：合肥市正茂科技有限公司，
类型：发明
国别省市：