【技术实现步骤摘要】
本专利技术涉及计算机视觉识别，特别涉及一种细粒度目标属性提取模型的训练方法和一种细粒度目标属性提取模型的训练装置。
技术介绍
1、相关技术中，细粒度目标属性提取是一个具有挑战性的任务，它要求深度学习模型能够较好地区分具有相似度外观的特征，例如不同颜色、车型的车辆等信息；传统的卷积神经网络(cnn)的感受野一般比较大，侧重于全局特征的提取，对于局部特征的内在联系学习能力较弱；现有的细粒度目标分类模型都通过改造模型的结构，或加入注意力机制，或引入特征融合模块等来提高模型的特征学习能力，然而忽略了特征学习难易程度不同，以及小样本数据集经常出现样本不均衡问题，从而导致类别提取精度差。
技术实现思路
1、本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种细粒度目标属性提取模型的训练方法，该方法能够有效地缓解样本数据不均衡以及细粒度特征学习难度差异大所带来的挑战，从而提高类别提取精度。
2、本专利技术的第二个目的在于提出一种细粒度目标属性提取
【技术保护点】
1.一种细粒度目标属性提取模型的训练方法，其特征在于，包括以下步骤：
2.如权利要求1所述的细粒度目标属性提取模型的训练方法，其特征在于，采用预训练好的目标检测模型和标注工具对所述图像数据进行预处理，以得到标注好的训练数据集，包括：
3.如权利要求1所述的细粒度目标属性提取模型的训练方法，其特征在于，在训练过程中获取每个细粒度目标属性对交叉熵损失函数的贡献值，包括：
4.如权利要求1所述的细粒度目标属性提取模型的训练方法，其特征在于，每个细粒度目标属性的损失函数计算公式为：
5.如权利要求4所述的细粒度目标属性提取模型的...
【技术特征摘要】
1.一种细粒度目标属性提取模型的训练方法，其特征在于，包括以下步骤：
2.如权利要求1所述的细粒度目标属性提取模型的训练方法，其特征在于，采用预训练好的目标检测模型和标注工具对所述图像数据进行预处理，以得到标注好的训练数据集，包括：
3.如权利要求1所述的细粒度目标属性提取模型的训练方法，其特征在于，在训练过程中获取每个细粒度目标属性对交叉熵损失函数的贡献值，包括：
4.如权利要求1所述的细粒度目标属性提取模型的训练方法，其特征在于，每个细粒度目标属性的损失函数计算公式为：
5.如权利要求4所述的细粒度目标属性提...
【专利技术属性】
技术研发人员：陈泽斌，李旭芳，刘洁，吴丁泓，黄荣裕，叶怀格，周幸，
申请(专利权)人：厦门卫星定位应用股份有限公司，
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。