基于深度学习的非机动车属性识别方法、装置、介质及设备制造方法及图纸

本发明专利技术公开了一种基于深度学习的非机动车属性识别方法，包括：构建非机动车属性识别模型，所述模型由多个单一属性模型融合而成，每一单一属性模型包括共享层和特有层，其中每一单一属性模型的共享层是相同的，所述特有层与所述单一属性模型一一对应；获取训练样本集，所述训练样本集中包括若干个图像信息，且已标注属性标签；采用所述训练样本集对所述单一属性模型进行训练，融合训练好的单一属性模型，得到所述非机动车属性识别模型。本发明专利技术解决了现有技术在对非机动车属性进行识别时存在速度、准确率、鲁棒性欠佳以及不同属性的预测能力彼此压制的问题。测能力彼此压制的问题。测能力彼此压制的问题。

【技术实现步骤摘要】
基于深度学习的非机动车属性识别方法、装置、介质及设备


[0001]本专利技术涉及大数据
，尤其涉及一种基于深度学习的非机动车属性识别方法、装置、介质及设备。

技术介绍

[0002]在短距离出行上，自行车、电动自行车等由于出行成本低、操作方便，成为广大群众的主要交通工具。然而，政府部门在非机动车的管理工作上则存在着难管、难治、无力管的现状。现有技术借助大数据对非机动车属性进行识别，形成结构化数据，可以为城市指挥、交通、综合治理等政府部门提供决策依据，助力非机动车的管理与治理。
[0003]其中，非机动车属性识别技术是一种计算机视觉技术，其对非机动车以及驾驶人员的形态外观特征进行分析，以形成结构化数据。在当前非机动车属性识别的方法中，现有技术直接将所有属性放在同一网络分支中，通过多任务学习硬参数共享的方式挖掘属性间的共享表示。然而这种方法存在以下方面的不足：
[0004](1)由于获取到的非机动车目标不是都具备属性列表中的所有属性，每个目标具备的只是属性列表中的部分属性，属性的数据分布不均衡，从而导致数量少的属性准确率非常差；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的非机动车属性识别方法，其特征在于，所述方法包括：构建非机动车属性识别模型，所述非机动车属性识别模型由多个单一属性模型融合而成，每一所述单一属性模型包括共享层和特有层，其中每一所述单一属性模型的所述共享层是相同的，所述特有层与所述单一属性模型一一对应；获取训练样本集，所述训练样本集中包括若干个图像信息，每个图像信息中的非机动车目标已标注属性标签；采用所述训练样本集对所述单一属性模型进行训练，融合训练好的单一属性模型，得到所述非机动车属性识别模型。2.如权利要求1所述的基于深度学习的非机动车属性识别方法，其特征在于，所述非机动车属性模型还通过切片操作将共享层的输出特征按区域切分出若干个重叠特征块；所述重叠特征块分别用于识别与区域相关的单一属性。3.如权利要求1或2所述的基于深度学习的非机动车属性识别方法，其特征在于，所述共享层通过裁切轻量级深度神经网络MobilenetV1得到。4.如权利要求1或2所述的基于深度学习的非机动车属性识别方法，其特征在于，所述获取训练样本集，所述训练样本集中包括若干个图像信息，每个图像信息中的非机动车目标已标注属性标签包括：获取若干个应用场景原图像；采用ssd检测算法对所述应用场景原图像进行目标检测，获取图像中的所有非机动车目标；对所述非机动车目标标注属性标签。5.如权利要求4所述的基于深度学习的非机动车属性识别方法，其特征在于，所述采用所述训练样本集对所述单一属性模型进行训练包括：将所述非机动车属性识别模型中的一个单一属性模型的共享层类别参数修改为第一属性类型；采用所述训练样本集对修改后的所述单一属性模型进行训练，并采用全连接层损失函数Softmax loss与中心损失函数center loss的联合损失函数进行监督，得到所述第一属性模型。6.如权利要求5所述的基于深度学习的非机动车属性识别方法，其特征在于，所述采用所述训练样本集对所述单一属性模型进行训练包括：将所述非机动车属性识别模型中的一个单一属性模型的共享层类别参数修改为第二属性类型；基于所述第一属性模型初始化共享层类别参数为第二属...

【专利技术属性】
技术研发人员：文莉，金晓峰，徐天适，岳许要，潘新生，
申请(专利权)人：广州广电运通金融电子股份有限公司，
类型：发明
国别省市：