一种基于注意力机制改进的小样本车型识别方法技术

本申请提供了一种基于注意力机制改进的小样本车型识别方法，解决了现有车型识别方法在少量样本的情况下识别精度低的技术问题，包括：步骤一，提取车辆图像样本的特征图；步骤二，将特征图输入第一注意力模块，采用全局平均池化，生成注意力权重图_1；步骤三，使用注意力权重图_1，对特征图加权、卷积，得到新特征图；步骤四，将新特征图输入第二注意力模块，采用全局最大池化，生成注意力权重图_2；步骤五，使用注意力权重图_2，对新特征图加权，得到细化特征图；步骤六，将细化特征图输入全卷积网络分类模块，计算属于每个车型类别的概率。本发明专利技术广泛应用于车型识别技术领域。本发明专利技术广泛应用于车型识别技术领域。本发明专利技术广泛应用于车型识别技术领域。

【技术实现步骤摘要】
一种基于注意力机制改进的小样本车型识别方法


[0001]本申请涉及一种车型识别方法，更具体地说，是涉及一种基于注意力机制改进的小样本车型识别方法。

技术介绍

[0002]车型识别是一种基于计算机视觉对车辆信息进行自动识别的技术。通过提取车辆外观特征，来识别车辆的品牌、型号等信息。目前，车型识别技术广泛应用于交通管理、车辆安全、智能交通等领域。
[0003]传统的车型识别方法主要是基于特征提取和分类器的方法。具体来说，这种方法首先需要从汽车图片中提取出有效特征，例如车辆的形状、颜色、标识等，然后使用分类器对提取的特征与已知车型进行匹配，从而得到最终的车型识别结果。但是，这种方法通常需要人为设计特征提取器，耗费大量的人力成本和时间成本；同时，还存在识别精度和效率低下的问题。
[0004]近年来，基于深度学习的模型被广泛应用于车型识别领域。深度学习模型具有较高的精度和鲁棒性，能够通过多层神经网络结构自动从大量数据中学习到有用的特征，从而避免了手工特征提取的缺点。然而，基于深度学习的车型识别算法存在以下两点问题。（1）数据不平衡问题。由于车型众多，某些车型的样本数量相对较少，深度学习模型依赖于大量标注样本进行训练，在样本量较少时，识别精度显著下降。（2）新增车型识别问题。随着汽车行业的快速发展，新的车型不断推出。基于深度学习的方法在每次新增车型时都需要收集和标注大量样本重新训练模型，这是非常困难和耗时的。
[0005]因此，利用少量样本迅速适应新车型的识别，从而及时更新车型识别系统是非常有必要的。r/>
技术实现思路

[0006]为解决上述技术问题，本申请提出了一种基于注意力机制改进的小样本车型识别方法，包括：步骤一，提取车辆图像样本的特征图；步骤二，将特征图输入第一注意力模块，采用全局平均池化，生成注意力权重图_1；步骤三，使用注意力权重图_1，对特征图加权、卷积，得到新特征图；步骤四，将新特征图输入第二注意力模块，采用全局最大池化，生成注意力权重图_2；步骤五，使用注意力权重图_2，对新特征图加权，得到细化特征图；步骤六，将细化特征图输入全卷积网络分类模块，生成车型识别模型，对车辆图像进行识别，计算属于每个车型类别的概率。
[0007]优选地，当新增车型时，对步骤六生成的车辆识别模型进行微调：采用基于内循环准确率加权的多步损失训练算法。
[0008]优选地，采用基于内循环准确率加权的多步损失训练算法，具体指：对于一个元学习任务，计算每一步内循环的准确率与损失值，并按照准确率的大小对损失值赋予权重，即准确率越高权重越大，反之亦然；最后，外循环梯度更新时会用到内循环所有步数的损失权重参数。
[0009]优选地，步骤一，具体步骤包括：将车辆图像样本输入特征提取模块进行特征提取，其中，车辆图像样本，卷积核，特征提取模块为三层卷积神经网络，卷积操作公式为：(1)其中，分别代表车辆图像样本的高度、宽度、通道数以及卷积核的个数；代表X的一个通道，代表k的二维空间滤波器；特征提取模块输出的特征图为：(2)。
[0010]优选地，步骤二，具体步骤包括：将特征图输入到全局平均池化层，得到全局平均池化特征，即：(3)将全局平均池化特征输入两个全连接层，得到注意力权重图_1：(4)上述公式（3）、（4）中，和为特征图的高度和宽度，代表sigmoid函数，、分别代表两个全连接层的权重参数，代表注意力权重图_1的权重参数。
[0011]优选地，步骤三，具体步骤包括：使用注意力权重图_1，对特征图加权：(5)随后，对加权特征图集合进行卷积操作，得到新特征图：(6)。
[0012]优选地，步骤四，具体步骤包括：将新特征图输入到全局平均池化层，得到全局最大池化特征：(7)将全局最大池化特征输入两个全连接层，得到注意力权重图_2：(8)其中，,为新特征图的高度和宽度，、分别代表两个全连接层的权
重参数，代表注意力权重图_2的权重参数。
[0013]优选地，步骤五，细化特征图：(9)本专利技术的有益效果：（1）在模型结构方面，采用双通道注意力模块，使模型既能关注到车辆的一般性特征，又能够自动捕捉到车辆的判别性特征；（2）在模型优化方面，提出了一种新的元学习优化方法，解决训练梯度不稳定的问题。本专利提出的车型识别方法极大的减少了样本标注量，可以在仅有5
‑
10张新车型图片的情况下快速进行模型更新，具有训练速度快，人力成本低的优势。本专利技术方法具有样本标注量极少、模型训练稳定、泛化性能强、识别精度率高的优势。本专利技术适用于智能交通系统，如交通违法监控、智能停车场管理、高速路智能卡口等，通过识别详细的车型信息，结合车牌、车辆属性进行车辆身份校验，保障车辆安全。
附图说明
[0014]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0015]图1为基于注意力机制改进的小样本车型识别方法的车型识别模型训练网络结构图；图2为基于注意力机制改进的小样本车型识别方法的模型微调方法流程图；图3为基于注意力机制改进的小样本车型识别方法的智能交通管理系统网拓扑图。
具体实施方式
[0016]为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0017]本专利技术基于元学习思想，针对现有模型在少量样本的情况下识别精度低的问题，提出了基于注意力机制改进的小样本车型识别模型。
[0018]现对本申请实施例提供的基于注意力机制改进的小样本车型识别方法进行说明。
[0019]请参阅图1，本申请提出了一种基于注意力机制改进的小样本车型识别方法，包括以下步骤：步骤一，提取车辆图像样本的特征图。具体地，将车辆图像样本输入特征提取模块进行特征提取，其中，车辆图像样本，卷积核，特征提取模块具体为三层卷积神经网络，卷积操作公式为：(1)
其中，分别代表车辆图像样本的高度、宽度、通道数以及卷积核的个数；代表X的一个通道，代表k的二维空间滤波器。特征提取模块输出的特征图为：(2)现有的小样本学习模型用于车型识别任务时，通常不加区分的从输入图像的每个区域提取特征（例如，使用3*3的卷积核对整个图像进行卷积），这会导致两个问题：第一是模型缺乏全局信息，第二是不能有效的关注到显著性特征。针对上述问题，本专利技术设计了双通道注意力模块，该模块是一个可计算单元，包含了两个顺序排列的注意力模块，分别是第一注意力模块、第二注意力模块。第一注意力模块通过全局平均池化关注车辆的一般性特征，第二注意力模块通过全局最大池化聚焦显著性特征，即判别性特征，有效提升车型识别的准确率。
[0020]因此，步骤二，将特征图输入第一注意力模块，生成注意力权重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制改进的小样本车型识别方法，其特征在于，包括：步骤一，提取车辆图像样本的特征图；步骤二，将特征图输入第一注意力模块，采用全局平均池化，生成注意力权重图_1；步骤三，使用注意力权重图_1，对特征图加权、卷积，得到新特征图；步骤四，将新特征图输入第二注意力模块，采用全局最大池化，生成注意力权重图_2；步骤五，使用注意力权重图_2，对新特征图加权，得到细化特征图；步骤六，将细化特征图输入全卷积网络分类模块，生成车型识别模型，对车辆图像进行识别，计算属于每个车型类别的概率。2.如权利要求1所述的基于注意力机制改进的小样本车型识别方法，其特征在于：当新增车型时，对所述步骤六生成的车辆识别模型进行微调：采用基于内循环准确率加权的多步损失训练算法。3.如权利要求2所述的基于注意力机制改进的小样本车型识别方法，其特征在于：采用基于内循环准确率加权的多步损失训练算法，具体指：对于一个元学习任务，计算每一步内循环的准确率与损失值，并按照准确率的大小对损失值赋予权重，即准确率越高权重越大，反之亦然；最后，外循环梯度更新时会用到内循环所有步数的损失权重参数。4.如权利要求1
‑
3任一所述的基于注意力机制改进的小样本车型识别方法，其特征在于：所述步骤一，具体步骤包括：将车辆图像样本输入特征提取模块进行特征提取，其中，车辆图像样本，卷积核，特征提取模块为三层卷积...

【专利技术属性】
技术研发人员：王瑶，王佰玲，辛国栋，王巍，刘扬，
申请(专利权)人：威海天之卫网络空间安全科技有限公司，
类型：发明
国别省市：