【技术实现步骤摘要】
本申请属于车辆重新识别领域，更具体地，涉及一种基于遥感图像的车辆识别方法、装置及电子设备。
技术介绍
1、车辆重新识别(re-id)旨在从大规模图像数据库中检索给定的查询图像。随着道路交通网络的迅速发展，车辆重新识别在智能交通系统和智慧城市中发挥着日益关键的作用。
2、在物质世界中，由于车辆之间存在较高的类间相似性和实质性的类内差异，这是一个具有挑战性的任务，不能被忽视。造成这种情况的原因应与以下几点相关：不同视角、低分辨率和高曝光等导致的实质性类内差异；相同型号车辆的密集性导致高度类间相似性。
3、为了解决上述问题，一些正在进行的工作关注学习车辆的全局特征，例如车辆属性、车牌信息、时空信息等。也有许多工作更加重视损失函数和骨干网络的结合，以增强对全局特征的关注。全局特征可以很好地描述车辆的整体结构，但到目前为止仍存在一些不足，例如冗余信息和缺乏捕捉更细粒度视觉差异的能力，而这在车辆重新识别中至关重要。此外，它们很容易受到视角变化、失真、遮挡、运动模糊以及光照等因素的影响，车辆重新识别模型需要具备捕捉有区别的细粒度特征的能力，因此目前的技术难以保证车辆识别的准确性和效率。
4、综上所述，当前的车辆重新识别方法仍然存在一些缺陷和问题，比如全局特征不足、标注数据受限以及局部特征不完整等缺陷，导致车辆重新识别的准确性不佳且效率不高。
技术实现思路
1、针对现有技术的缺陷，本申请的目的在于提供一种基于遥感图像的车辆识别方法、装置及电子设备，旨在解决重新识
2、第一方面，本申请提供一种基于遥感图像的车辆识别方法，包括：
3、获取车辆待识别的遥感图像；
4、将所述遥感图像输入到训练好的识别模型中，得到所述遥感图像的识别结果；
5、其中，所述识别模型是利用残差网络和空间注意力网络建立的，所述识别模型通过对遥感图像样本进行特征图提取、部分多样性正则化以及部分一致性正则化以确定正则化约束，根据所述正则化约束和模型训练损失确定综合损失函数，并利用综合损失函数对模型进行端到端的训练得到。
6、本申请通过部分多样性正则化和部分一致性正则化有助于模型在训练过程中更好地泛化到新的车辆图像，避免过拟合，从而提高车辆识别的准确性，并且综合考虑了正则化约束和模型训练损失，有助于优化模型的整体性能进一步地提高车辆识别的准确性和效率。
7、可选地，所述识别模型的训练方法包括：
8、利用残差网络和空间注意力网络建立初始模型；
9、将所述遥感图像样本输入到所述初始模型中，得到遥感图像样本的分类结果，根据所述分类结果和车辆识别标签获取交叉熵损失；
10、将所述遥感图像样本根据所述残差网络获取所述遥感图像样本对应的n个特征图像；n为正整数，利用所述特征图像确定三元组度量损失；
11、将所述n个特征图像根据所述空间注意力网络获取n个注意力地图，根据所述n个注意力地图和单位矩阵获取部分多样性正则化约束；
12、对所述特征图像和注意力地图进行全局平均池化，得到多样化的部分特征，根据所述多样化的部分特征和中心特征获取部分一致性正则化约束；
13、根据所述交叉熵损失、三元组度量损失、部分多样性正则化约束以及部分一致性正则化约束确定所述综合损失函数；
14、利用所述综合损失函数对所述初始模型进行迭代更新，调整模型参数直至模型收敛，得到所述训练好的识别模型。
15、本申请的能够有效地提取图像特征，并且通过残差连接解决了梯度消失问题，有助于构建更深的网络以提高表达能力，空间注意力网络则能够增强模型对重要图像区域的关注，从而提升模型在复杂背景下的识别精度和鲁棒性。
16、交叉熵损失用于度量分类任务中模型输出与真实标签之间的差异，是常用的监督学习损失函数，有助于优化模型分类能力。三元组损失则用于度量同一身份车辆的特征在特征空间中的相似性，通过最小化同一身份车辆特征之间的距离，最大化不同身份车辆特征之间的距离，提升模型在车辆再识别任务中的性能。部分多样性正则化约束通过注意力地图增强模型对多样化特征的学习能力，有助于提高模型对复杂背景和多种拍摄条件下的鲁棒性。部分一致性正则化约束则帮助模型更好地集成不同特征视角，以提升特征表达的一致性和稳定性。
17、将多种损失函数和正则化项综合考虑，能够全面优化模型的训练目标，使得模型在不同任务和数据集上的表现更加优秀。通过迭代更新优化综合损失函数，可以有效提升模型在训练数据上的拟合能力，并在验证数据上达到更好的泛化性能。
18、可选地，所述注意力地图的获取过程还包括：
19、采用部分多样性正则化使每个注意力地图关注所述特征图像的不同部分，以实现所述n个注意力地图定位到同一车辆的不同语义部位。
20、可选地，所述利用所述特征图像确定三元组度量损失，包括：
21、确定第k个特征图像中三元组的源样本、正样本和负样本，并获取所述源样本、正样本和负样本对应的全局高维特征向量，得到源样本特征向量、正样本特征向量以及负样本特征向量，k为正整数；
22、获取所述源样本特征向量和正样本特征向量的第一欧氏距离，以及所述源样本特征向量和负样本特征向量的第二欧氏距离；
23、根据所述第一欧氏距离、第二欧氏距离以及三元组损失的边界阈值确定所述三元组度量损失。
24、可选地，所述根据所述n个注意力地图和单位矩阵获取部分多样性正则化约束，包括：
25、对所述n个注意力地图进行求和，得到注意力矩阵；
26、确定所述注意力矩阵的转置矩阵，根据所述注意力矩阵、转置矩阵和单位矩阵的矩阵范数确定所述部分多样性正则化约束。
27、可选地，所述部分一致性正则化约束通过最小化第k个分支学习到的部分特征的类间方差，使所述部分特征逐渐接近所述中心特征；
28、其中，所述中心特征从0初始化并基于通过移动平均进行更新。
29、可选地，所述将所述n个特征图像根据所述空间注意力网络获取n个注意力地图，包括：
30、利用所述空间注意力网络的卷积层获取特征图像的点对点的空间信息；
31、利用sigmoid函数对所述空间信息进行激活，对所述特征图像的重点目标区域进行权重分配，得到所述注意力地图。
32、第二方面，一种基于遥感图像的车辆识别装置，包括：
33、获取单元，用于获取车辆待识别的遥感图像；
34、识别单元，用于将所述遥感图像输入到训练好的识别模型中，得到所述遥感图像的识别结果；
35、其中，所述识别模型是利用残差网络和空间注意力网络建立的，所述识别模型通过对遥感图像样本进行特征图提取、部分多样性正则化以及部分一致性正则化以确定正则化约束，根据所述正则化约束和模型训练损失确定综合损失函数，并利用综合损失函数对模型进行端到端的训练得本文档来自技高网...
【技术保护点】
1.一种基于遥感图像的车辆识别方法，其特征在于，包括：
2.根据权利要求1所述的基于遥感图像的车辆识别方法，其特征在于，所述识别模型的训练方法包括：
3.根据权利要求2所述的基于遥感图像的车辆识别方法，其特征在于，所述注意力地图的获取过程还包括：
4.根据权利要求2所述的基于遥感图像的车辆识别方法，其特征在于，所述利用所述特征图像确定三元组度量损失，包括：
5.根据权利要求2所述的基于遥感图像的车辆识别方法，其特征在于，所述根据所述N个注意力地图和单位矩阵获取部分多样性正则化约束，包括：
6.根据权利要求2所述的基于遥感图像的车辆识别方法，其特征在于，所述部分一致性正则化约束通过最小化第k个分支学习到的部分特征的类间方差，使所述部分特征逐渐接近所述中心特征；
7.根据权利要求2所述的基于遥感图像的车辆识别方法，其特征在于，所述将所述N个特征图像根据所述空间注意力网络获取N个注意力地图，包括：
8.一种基于遥感图像的车辆识别装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：<...
【技术特征摘要】
1.一种基于遥感图像的车辆识别方法，其特征在于，包括：
2.根据权利要求1所述的基于遥感图像的车辆识别方法，其特征在于，所述识别模型的训练方法包括：
3.根据权利要求2所述的基于遥感图像的车辆识别方法，其特征在于，所述注意力地图的获取过程还包括：
4.根据权利要求2所述的基于遥感图像的车辆识别方法，其特征在于，所述利用所述特征图像确定三元组度量损失，包括：
5.根据权利要求2所述的基于遥感图像的车辆识别方法，其特征在于，所述根据所述n个注意力地图和单位矩阵获取部分多样性正则化约束，包括：
6.根据权利要求2所述的基于遥感...
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。