一种自动驾驶场景中目标对象的识别方法、装置及设备制造方法及图纸

本发明专利技术提供了一种自动驾驶场景中目标对象的识别方法、装置及设备，属于信息处理技术领域。该方法包括：获取自动驾驶场景下的图像数据；对图像数据进行特征处理，得到特征数据集；将特征数据集输入目标对象识别模型进行处理，得到图像数据中目标对象的识别结果；其中，目标对象识别模型将训练数据集输入预设网络模型的特征分离层进行特征分离处理，得到第一鲁棒特征数据和第一非鲁棒特征数据，并根据第一鲁棒特征数据和第一非鲁棒特征数据，得到训练特征数据；将训练特征数据，输入预设网络模型的目标对象识别层进行训练得到。本发明专利技术提出的方案，可以用较少的计算量提高模型的性能，方便在自动驾驶场景下进行端到端的部署和应用。

【技术实现步骤摘要】

本专利技术涉及信息处理，特别是指一种自动驾驶场景中目标对象的识别方法、装置及设备。

技术介绍

1、深度神经网络已经在计算机视觉、自然语言处理和自动驾驶等领域取得了巨大的进步，并影响了现实世界的广泛应用。由于基于神经网络的分类器广泛应用，确保其在实践中的可靠性至关重要。现有深度神经网络很容易受到对抗样本的攻击，即故意制造和输入精心设计的输入图像，以欺骗模型做出错误的决策或预测的一种攻击方式。这种攻击通常针对视觉感知系统，如自动驾驶场景中基于深度神经网络模型用于图像识别或分类任务的系统，但也可以应用于其他类型的机器学习模型。为应对对抗样本对模型的干扰，已提出了许多防御技术，包括对抗样本检测、输入去噪、移动目标防御、集成模型防御和对抗训练等方法。但对于上述方法，像素级上的小的对抗性扰动在中间特征空间中能够累积到更大的程度，并破坏了模型的最终输出。因此设计出一种鲁棒性更好，同时具备其与自然样本检测精度之间的更优的权衡的方法已成为研究的热点。同时，现阶段也没有评估鲁棒性增强技术在鲁棒性和准确性之间权衡的有效性的方法。

技术实现思路

1、本专利技术提供了一种自动驾驶场景中目标对象的识别方法、装置及设备，解决了在自动驾驶目标对象的识别过程中，图像数据像素级的小对抗性扰动，将在中间特征空间中累积放大，导致最终识别失败的问题。

2、为解决上述技术问题，本专利技术的技术方案如下：

3、一种自动驾驶场景中目标对象的识别方法，包括：

4、获取自动驾驶场景下的图像数据；</p>

5、对所述图像数据进行特征处理，得到特征数据集；

6、将所述特征数据集，输入目标对象识别模型进行处理，得到图像数据中目标对象的识别结果；

7、其中，所述目标对象识别模型将训练数据集输入预设网络模型的特征分离层进行特征分离处理，得到第一鲁棒特征数据和第一非鲁棒特征数据，并根据所述第一鲁棒特征数据和第一非鲁棒特征数据，得到训练特征数据；将所述训练特征数据，输入预设网络模型的目标对象识别层进行训练得到。

8、可选的，对所述图像数据进行处理，得到特征数据集，包括：

9、对图片数据进行处理，得到含有自然样本的特征数据集；

10、对所述含有自然样本的数据集进行扰动或添加噪声处理，得到对抗样本的特征数据集。

11、可选的，将训练数据集输入预设网络模型的特征分离层进行特征分离处理，得到第一鲁棒特征数据和第一非鲁棒特征数据，包括：

12、将训练数据集，输入预设网络模型的特征分离层进行特征分离处理，得到中间层特征数据；

13、将所述中间层特征数据在鲁棒评分的基础上以逐元素方式分解，得到第一鲁棒特征数据和第一非鲁棒特征数据。

14、可选的，根据所述第一鲁棒特征数据和第一非鲁棒特征数据，得到训练特征数据，包括：

15、对所述第一非鲁棒特征数据进行压缩处理，得到第二非鲁棒特征数据；

16、对所述第一非鲁棒特征数据进行转化处理，得到第三非鲁棒特征数据；

17、对所述第一鲁棒特征数据进行对齐处理，得到第二鲁棒特征数据；

18、对所述第二非鲁棒特征数据、第三非鲁棒特征数据和第二鲁棒特征数据进行处理，得到训练特征数据。

19、可选的，对所述第一非鲁棒特征数据进行压缩处理，得到第二非鲁棒特征数据，包括：

20、获取所述目标对象识别模型辅助层的权重数据；

21、将所述权重数据与所述第一非鲁棒特征数据进行矩阵相乘，得到第二非鲁棒特征数据。

22、可选的，对所述第一非鲁棒特征数据进行转化处理，得到第三非鲁棒特征数据，包括：

23、根据所述训练特征数据，得到掩码数据；

24、通过算式fr+＝(1-mask)×fnr，得到第三非鲁棒特征数据；其中，fr+为第三非鲁棒特征数据，mask为掩码数据，fnr为第一非鲁棒特征数据。

25、可选的，对所述第一鲁棒特征数据进行对齐处理，得到第二鲁棒特征数据，包括：

26、对所述第一鲁棒特征数据进行全局平均池化处理，得到表示向量；

27、对所述表示向量的信道维数进行归一化处理，得到特征相似性矩阵；

28、根据所述特征相似性矩阵，确定相似矩阵的差异数据；

29、根据所述差异数据，得到第二鲁棒特征数据。

30、可选的，将所述特征数据集，输入目标对象识别模型进行处理，得到图像数据中目标对象的识别结果，包括：

31、将所述特征数据集，输入目标对象识别模型进行处理，得到特征向量；

32、对所述特征向量进行压缩、转化与对齐处理，得到图像数据中目标对象的识别结果。

33、本专利技术的实施例还提供一种自动驾驶场景中目标对象的识别装置，所述装置包括：

34、获取模块，用于获取自动驾驶场景下的图像数据；

35、处理模块，用于对所述图像数据进行特征处理，得到特征数据集；

36、生成模块，用于将所述特征数据集，输入目标对象识别模型进行处理，得到图像数据中目标对象的识别结果；

37、其中，所述目标对象识别模型将训练数据集输入预设网络模型的特征分离层进行特征分离处理，得到第一鲁棒特征数据和第一非鲁棒特征数据，并根据所述第一鲁棒特征数据和第一非鲁棒特征数据，得到训练特征数据；将所述训练特征数据，输入预设网络模型的目标对象识别层进行训练得到。

38、可选的，对所述图像数据进行处理，得到特征数据集，包括：

39、对图片数据进行处理，得到含有自然样本的特征数据集；

40、对所述含有自然样本的数据集进行扰动或添加噪声处理，得到对抗样本的特征数据集。

41、可选的，将训练数据集输入预设网络模型的特征分离层进行特征分离处理，得到第一鲁棒特征数据和第一非鲁棒特征数据，包括：

42、将训练数据集，输入预设网络模型的特征分离层进行特征分离处理，得到中间层特征数据；

43、将所述中间层特征数据在鲁棒评分的基础上以逐元素方式分解，得到第一鲁棒特征数据和第一非鲁棒特征数据。

44、可选的，根据所述第一鲁棒特征数据和第一非鲁棒特征数据，得到训练特征数据，包括：

45、对所述第一非鲁棒特征数据进行压缩处理，得到第二非鲁棒特征数据；

46、对所述第一非鲁棒特征数据进行转化处理，得到第三非鲁棒特征数据；

47、对所述第一鲁棒特征数据进行对齐处理，得到第二鲁棒特征数据；

48、对所述第二非鲁棒特征数据、第三非鲁棒特征数据和第二鲁棒特征数据进行处理，得到训练特征数据。

49、可选的，对所述第一非鲁棒特征数据进行压缩处理，得到第二非鲁棒特征数据，包括：

50、获取所述目标对象识别模型辅助层的权重数据；

51、将所述权重数据与所述第一非鲁棒特征数据进行矩阵相乘，得到第二非鲁本文档来自技高网...

【技术保护点】

1.一种自动驾驶场景中目标对象的识别方法，其特征在于，包括：

2.根据权利要求1所述的自动驾驶场景中目标对象的识别方法，其特征在于，对所述图像数据进行处理，得到特征数据集，包括：

3.根据权利要求1所述的自动驾驶场景中目标对象的识别方法，其特征在于，将训练数据集输入预设网络模型的特征分离层进行特征分离处理，得到第一鲁棒特征数据和第一非鲁棒特征数据，包括：

4.根据权利要求1所述的自动驾驶场景中目标对象的识别方法，其特征在于，根据所述第一鲁棒特征数据和第一非鲁棒特征数据，得到训练特征数据，包括：

5.根据权利要求4所述的自动驾驶场景中目标对象的识别方法，其特征在于，对所述第一非鲁棒特征数据进行压缩处理，得到第二非鲁棒特征数据，包括：

6.根据权利要求4所述的自动驾驶场景中目标对象的识别方法，其特征在于，对所述第一非鲁棒特征数据进行转化处理，得到第三非鲁棒特征数据，包括：

7.根据权利要求4所述的自动驾驶场景中目标对象的识别方法，其特征在于，对所述第一鲁棒特征数据进行对齐处理，得到第二鲁棒特征数据，包括：

8.根据权利要求1至7任一项所述的自动驾驶场景中目标对象的识别方法，其特征在于，将所述特征数据集，输入目标对象识别模型进行处理，得到图像数据中目标对象的识别结果，包括：

9.一种自动驾驶场景中目标对象的识别装置，其特征在于，所述装置包括：

10.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至8任一项所述的方法。

...

【技术特征摘要】

1.一种自动驾驶场景中目标对象的识别方法，其特征在于，包括：

2.根据权利要求1所述的自动驾驶场景中目标对象的识别方法，其特征在于，对所述图像数据进行处理，得到特征数据集，包括：

3.根据权利要求1所述的自动驾驶场景中目标对象的识别方法，其特征在于，将训练数据集输入预设网络模型的特征分离层进行特征分离处理，得到第一鲁棒特征数据和第一非鲁棒特征数据，包括：

4.根据权利要求1所述的自动驾驶场景中目标对象的识别方法，其特征在于，根据所述第一鲁棒特征数据和第一非鲁棒特征数据，得到训练特征数据，包括：

5.根据权利要求4所述的自动驾驶场景中目标对象的识别方法，其特征在于，对所述第一非鲁棒特征数据进行压缩处理，得到第二非鲁棒特征数据，包括：

6...

【专利技术属性】
技术研发人员：高正含，刘成明，高宇飞，石淯澄，石磊，李翠霞，李英豪，
申请(专利权)人：郑州大学，
类型：发明
国别省市：