模型训练、交通标志识别方法及装置、设备、介质制造方法及图纸

本申请涉及一种模型训练、交通标志识别方法及装置、设备、介质，应用于图像处理技术领域，模型训练方法包括：获取第一交通标志样本图像及对应的交通标志类型、交通标志文本信息；根据第一交通标志样本图像和交通标志类型训练生成第一识别模型；将第一交通标志样本图像输入第一识别模型，将对应最大概率小于等于预设概率阈值的第一交通标志样本图像确定为第二交通标志样本图像；根据第一交通标志样本图像和交通标志文本信息训练生成目标CLIP模型；根据第二交通标志样本图像和交通标志文本信息对目标CLIP模型进行调整得到第二识别模型；将第一识别模型和第二识别模型进行级联生成交通标志识别模型。本申请可提高识别的准确性。

【技术实现步骤摘要】

本申请涉及图像处理，尤其涉及一种模型训练、交通标志识别方法及装置、设备、介质。

技术介绍

1、相对于传统算法，基于深度学习的交通标志识别模型已经提高了识别的准确度。然而，随着研究的推进，目前已经进入到“长尾问题”中，即在不同场景、不同图像退化条件下，交通标志识别模型不能很好地识别。例如，交通标志识别模型对样本的学习程度均一，对于复杂样本或者复杂场景下的样本学习得到的特征表达不够准确。而且对于单个场景下的图像进行重新训练的需求也越来越多，这样导致采样和重新训练模型的成本较高。

2、相关技术中，采用focal loss以及在线hard样本挖掘的方法能够在一定程度上缓解上述问题。但是，由于hard样本和规则样本通过同一个模型来表达，因此无法同时充分表达规则样本和hard样本，而且在训练过程中有可能出现震荡，学习过于激进时容易出现过拟合问题，导致对交通标志识别的准确性较低。

技术实现思路

1、为了解决上述技术问题，本申请提供了一种交通标志识别模型训练方法及装置、交通标志识别方法及装置、电子设备、存储介质、本文档来自技高网...

【技术保护点】

1.一种交通标志识别模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，将所述第一交通标志样本图像作为输入、所述第一交通标志样本图像对应的交通标志文本信息作为标签，对初始CLIP模型进行训练，包括：

3.根据权利要求2所述的方法，其特征在于，所述将所述第一交通标志样本图像和所述外扩样本图像作为输入、所述第一交通标志样本图像和所述外扩样本图像对应的交通标志文本信息作为标签，对初始CLIP模型进行训练，包括：

4.根据权利要求3所述的方法，其特征在于，所述外扩样本图像的数量为n个；

5.根据权利要求1所述的方法，其特征在...

【技术特征摘要】

1.一种交通标志识别模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，将所述第一交通标志样本图像作为输入、所述第一交通标志样本图像对应的交通标志文本信息作为标签，对初始clip模型进行训练，包括：

3.根据权利要求2所述的方法，其特征在于，所述将所述第一交通标志样本图像和所述外扩样本图像作为输入、所述第一交通标志样本图像和所述外扩样本图像对应的交通标志文本信息作为标签，对初始clip模型进行训练，包括：

4.根据权利要求3所述的方法，其特征在于，所述外扩样本图像的数量为n个；

5.根据权利要求1所述的方法，其特征在于，所述对初始对...

【专利技术属性】
技术研发人员：李军民，王飞，吕掌权，姬利娜，唐丽萍，
申请(专利权)人：安阳工学院，
类型：发明
国别省市：