【技术实现步骤摘要】
交通事故识别模型的训练方法、识别方法及电子设备
[0001]本申请涉及数据识别
,尤其涉及一种交通事故识别模型的训练方法、识别方法及电子设备。
技术介绍
[0002]现有技术中,车辆在行驶过程中,一旦发生交通事故,如果车内人员处于清醒状态,会及时进行求助,但是如果车内人员失去意识,车辆并不能判断自身是否发生交通事故,这样可能会发生延缓救援,给乘客带来危险。
[0003]针对这种情况,一般会采用神经网络训练的模型来对车辆的运行数据进行识别处理,进而识别出车辆是否发生交通事故。
[0004]但是,一般的神经网络在进行训练时需要大量的人工标注,使得训练成本升高。
技术实现思路
[0005]有鉴于此,本申请的目的在于提出一种交通事故识别模型的训练方法、识别方法及电子设备以解决或部分解决上述使用一般的神经网络训练进行交通事故识别的模型,消耗的成本过高的技术问题。
[0006]基于上述目的,本申请的第一方面提供了一种交通事故识别模型的训练方法,包括:
[0007]获取历史交通事故数据作为样本数据;
[0008]构建包括生成器和判别器的生成对抗网络;
[0009]将所述样本数据输入至所述生成器生成与所述样本数据对应的样本伪数据,其中,所述样本数据和所述样本伪数据中均包括对应的事故类型标签;
[0010]将所述样本数据和/或所述样本伪数据作为判别训练数据,对所述判别器进行训练处理输出事故类型训练结果;其中,所述判别训练数据为所述判别器的输入数据,用于训练所 ...
【技术保护点】
【技术特征摘要】
1.一种交通事故识别模型的训练方法,其特征在于,包括:获取历史交通事故数据,将所述历史交通事故数据作为样本数据;构建包括生成器和判别器的生成对抗网络;将所述样本数据输入至所述生成器生成与所述样本数据对应的样本伪数据,其中,所述样本数据和所述样本伪数据中均包括对应的事故类型标签;将所述样本数据和/或所述样本伪数据作为判别训练数据,对所述判别器进行训练处理输出事故类型训练结果;其中,所述判别训练数据为所述判别器的输入数据,用于训练所述判别器;根据所述判别训练数据对应的所述事故类型训练结果,结合与所述判别训练数据对应的事故类型标签计算损失函数,并利用损失函数交替训练所述生成器和所述判别器,得到交通事故识别模型。2.根据权利要求1所述的方法,其特征在于,所述获取历史交通事故数据,包括:对获取到的初始历史交通事故数据中的噪声数据进行过滤处理,得到过滤后的数据;对所述过滤后的数据中的非数值型数据进行数值转化处理,得到数值型数据;将所述数值型数据进行标准化处理得到标准化数据,和/或将所述数值型数据进行归一化处理得到归一化数据,将所述标准化数据和/或所述归一化数据作为所述历史交通事故数据。3.根据权利要求1所述的方法,其特征在于,所述构建包括生成器和判别器的生成对抗网络,包括:构建所述生成器的第一输入层、第一全连接层、第一隐藏层和第一输出层,其中所述第一隐藏层的数量为至少一个;构建所述判别器的第二输入层、第二全连接层、第二隐藏层和第二输出层,其中所述第二隐藏层的数量为至少一个;将所述生成器的第一输出层与所述判别器第二输入层连接,形成所述生成对抗网络。4.根据权利要求3所述的方法,其特征在于,所述将所述样本数据输入至所述生成器生成与所述样本数据对应的样本伪数据,包括:将带有事故类型标签的所述样本数据输入至所述第一输入层,利用所述第一输入层为所述样本数据添加随机噪声向量得到样本随机向量,并对所述事故类型标签进行编码处理得到第一事故类型向量;利用所述第一全连接层将所述样本随机向量与第一所述事故类型向量进行拼接处理,得到第一初始特征向量;通过至少一个所述第一隐藏层对所述第一初始特征向量进行非线性变换处理得到初始样本伪数据;利用所述第一输出层对所述初始样本伪数据进行范围调整得到所述样本伪数据输出。5.根据权利要求3所述的方法,其特征在于,将所述样本数据和/或所述样本伪数据作为判别训练数据,对所述判别器进行训练处理输出事故类型训练结果,包括:利用所述第二输入层对输入的判别训练数据的事故类型标签进行编码处理,得到第二事故类型向量;通过所述第二全连接层将所述判别训练数据与所述第二事故类型向量进行拼接处理,
得到第二初始特征向量;利用至少一个所述第二隐藏层对所述第二初始特征向量进行非线性变换处理确定所述判别训练数据的事故分类;通过所述第二输出层对所述事故分类进行概率化处理,得到所述事故类型训练结果并输出。6.根据权利要求1所述的方法,其特征在于,所述根据所述判别训练数据对应的所述事故类型训练结果,结合与所述判别训练数据对应的事故类型标签计算损失函数,并利...
【专利技术属性】
技术研发人员:罗智,
申请(专利权)人:长城汽车股份有限公司,
类型:发明
国别省市:
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。