【技术实现步骤摘要】
本专利技术涉及电子信息，尤其涉及一种基于fipa模型的自适应协同优化的车型识别方法。
技术介绍
1、细粒度车型识别算法通过深度挖掘汽车的细微特征来进行精确的车型识别，是近年来人工智能、智能交通、自动驾驶等领域的热门研究问题。在过去的工作中，研究人员提出了许多简易的车型识别方法，这些算法只能简单识别出摩托车、轿车、自行车等粗粒度信息。这些方法在处理复杂场景和应对各种挑战时，表现出较为明显的局限性，其无法充分利用所提供的车辆信息，难以实现有效的车辆识别和追踪。细粒度车型识别技术能够获取更为详尽的车辆信息，包括车辆型号、制造商和生产年份等。该技术可实现更精确的车辆识别，进一步节省了人力资源、提高交通执法效率，在车辆监控和刑事案件侦破方面可获取更为广泛的应用。
2、一般来说，细粒度车型识别方法主要分为以下两类：基于特征的方法和基于深度学习的方法。基于特征的方法主要通过特征描述符来获取局部特征，并构建特征向量或特征描述子，这些特征能够有效地编码车辆的局部外观和结构信息，可提供更全面的车辆描述，随后，将提取到的特征输入到分类器或聚类算法中，进行车型分类或聚类。尽管这些方法取得了一定的效果，但是基于人工设计的方法存在特征不易描述、鲁棒性较差的问题，难以提取更具判别力的细粒度关键特征，无法满足当前实际场景下的车型识别技术需求。基于深度学习的方法则是使用深度神经网络来学习汽车模型的特征表示。这些基于深度学习的方法能够更好地捕捉车型的复杂特征，提高细粒度车型识别的准确性和泛化能力。
3、现有技术的缺陷主要体现在多分支网络模型
技术实现思路
1、有鉴于此，本专利技术提供一种基于fipa模型的自适应协同优化的车型识别方法，以解决上述问题。
2、本专利技术提供一种基于fipa模型的自适应协同优化的车型识别方法，其特征在于，包括：通过目标检测网络对待检测图像进行检测，得到局部的汽车部件；将所述汽车部件输入到分类网络中进行分类，并通过协同优化网络对分类后的汽车部件进行组合优化，得到最优agent组合；通过预处理网络对所述最优agent组合进行数据预处理，其中，预处理网络包括边缘检测器、结构特征提取网络、滤波器和图像风格迁移网络；基于融合投票机制整合预处理后的最优agent组合的得分信息，将总分最高的类别作为最终识别结果。
3、在本专利技术的另一实现方式中，基于fipa模型的自适应协同优化的车型识别方法还包括：将yolo-v8作为所述目标检测网络；利用spd-conv代替所述yolo-v8中的标准卷积层，其中，所述spd-conv由空间到深度卷积层和一个非步长卷积层组成，所述空间到深度卷积层用于对待检测图像进行采样操作，所述非步长卷积层用于克服空间到深度卷积层的过度采样问题。
4、在本专利技术的另一实现方式中，所述将所述汽车部件输入到分类网络中进行分类，并通过协同优化网络对分类后的汽车部件进行组合优化，得到最优agent组合，包括：将所述汽车部件输入到四个分类网络中进行分类，得到分类结果；根据分类结果将汽车部件输入到协同优化网络；所述协同优化网络基于穷举搜索算法对汽车部件进行组合优化，得到最优agent组合。
5、在本专利技术的另一实现方式中，所述协同优化网络基于穷举搜索算法对汽车部件进行组合优化，得到最优agent组合，包括：根据所述分类结果定义问题空间，并基于各个分类结果对汽车部件进行排列组合，得到一个集合，所述集合中的每个元素代表一组agent组合；将集合中的每一个元素作为一个结点，基于各个结点构建搜索空间；将所述搜索空间分割成若干个小搜索空间，得到各个结点之间的关系；将最终的分类精度作为评估指标，根据各个结点之间的关系对agent组合进行评估，并记录所有agent组合的评估结果；根据所述评估结果选取具有最优性能的agent组合作为最优agent组合。
6、在本专利技术的另一实现方式中，所述基于融合投票机制整合预处理后的最优agent组合的得分信息，将总分最高的类别作为最终识别结果，包括：最优agent组合中的各个组分乘以各自的权重系数，得到最终的类别分数；将所述类别分数和对应的类别名称转换为对数形式，并输出到对数极坐标系中，其中，在所述极坐标系中，角度代表类别，距离表示得分；将总分最高的类别作为最终识别结果。
7、本专利技术的基于fipa模型的自适应协同优化的车型识别方法，首先，通过利用空间到深度卷积(spd-conv)层来代替yolo-v8中的标准卷积(conv)层，保留了通道维度上的所有信息，增强了算法对细粒度信息的特征提取能力，这一改进强化了对图像中微小特征的感知，从而提高了分类的准确性；其次，本专利技术设计了一种自适应协同优化网络，旨在挖掘携带关键有效信息的汽车部件并进行合理的组合，从而有效克服人工选择组合可能导致的信息缺失问题，实现对各部件特征的高效提取与利用；此外，本专利技术还提出了一种基于fipa模型的加权对数极坐标投票机制，用于整合近距离和远距离位置的细粒度信息，解决了融合过程中agent贡献价值不一致所导致的精度下降问题。
本文档来自技高网...【技术保护点】
1.一种基于FIPA模型的自适应协同优化的车型识别方法，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，还包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述汽车部件输入到分类网络中进行分类，并通过协同优化网络对分类后的汽车部件进行组合优化，得到最优Agent组合，包括：
4.根据权利要求3所述的方法，其特征在于，所述协同优化网络基于穷举搜索算法对汽车部件进行组合优化，得到最优Agent组合，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于融合投票机制整合预处理后的最优Agent组合的得分信息，将总分最高的类别作为最终识别结果，包括：
【技术特征摘要】
1.一种基于fipa模型的自适应协同优化的车型识别方法，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，还包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述汽车部件输入到分类网络中进行分类，并通过协同优化网络对分类后的汽车部件进行组合优化，得到最优agent组合...
【专利技术属性】
技术研发人员：王开明，梁国远，杨映远，孙文琪，吴新宇，
申请(专利权)人：中国科学院深圳先进技术研究院，
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。