本發明專利技術實施例提供一種車輛屬性的識別模型訓練方法及裝置、識別方法及裝置，該車輛屬性的識別模型訓練方法包括以下步驟：獲取訓練數據集，所述訓練數據集包括目標車輛屬性以及所述目標車輛屬性對應的樣本數量；根據所述樣本數量，計算所述目標車輛屬性在所述訓練數據集中的有效采樣數；將所述訓練數據集輸入預訓練模型進行訓練，以得到所述目標車輛屬性對應的初始損失函數；根據所述有效采樣數對所述初始損失函數進行調整，以得到對應的目標損失函數；基于所述目標損失函數對所述預訓練模型進行訓練，以得到目標識別模型。本發明專利技術能夠提高車輛屬性的識別模型的識別精度。車輛屬性的識別模型的識別精度。車輛屬性的識別模型的識別精度。
【技術實現步驟摘要】
車輛屬性的識別模型訓練方法及裝置、識別方法及裝置
[0001]本專利技術涉及車輛屬性識別
，尤其涉及車輛屬性的識別模型訓練方法及裝置、識別方法及裝置。
技術介紹
[0002]在車輛屬性識別任務中，數據集存在類別不均衡的現象。一些常見品牌的車輛在數據集中樣本數較多，而一些小眾品牌車輛，在數據集中所占比例很低。
[0003]某些類別的樣本數是其他較小樣本數類別的幾千倍。這樣，使用數據集進行模型訓練時，僅是使用普通交叉熵損失函數對模型進行訓練且進行損失值計算。由于數據集存在類別不均衡，在使用訓練好的模型對車輛屬性進行識別時，就會偏向于大樣本數所在的類別，對小樣本數類別不利，進而影響小樣本的召回率。使用普通交叉熵損失函數對模型進行訓練使得模型的識別精度較低，導致車輛屬性的識別精度也低。
技術實現思路
[0004]本專利技術實施例提供一種車輛屬性的識別模型訓練方法，能夠提高車輛屬性的識別精度。
[0005]第一方面，本專利技術實施例提供一種車輛屬性的識別模型訓練方法，所述方法包括以下步驟：
[0006]獲取訓練數據集，所述訓練數據集包括目標車輛屬性以及所述目標車輛屬性對應的樣本數量；
[0007]根據所述樣本數量，計算所述目標車輛屬性在所述訓練數據集中的有效采樣數；
[0008]將所述訓練數據集輸入預訓練模型進行訓練，以得到所述目標車輛屬性對應的初始損失函數；
[0009]根據所述有效采樣數對所述初始損失函數進行調整，以得到對應的目標損失函數；
[0010]基于所述目標損失函數對所述預訓練模型進行訓練，以得到目標識別模型。
[0011]可選的，所述根據所述樣本數量，計算所述目標車輛屬性在訓練數據集中的有效采樣數的步驟包括：
[0012]獲取所述樣本數量，所述樣本數量包括被采樣數據量以及未被采樣過的新數據量；
[0013]當任意選擇所述樣本數量作為訓練數據時，獲取所述訓練數據落入被采樣數據量的第一概率以及所述訓練數據落入新數據量的第二概率；
[0014]根據所述被采樣數據量、第一概率以及第二概率計算所述目標車輛屬性在訓練數據集中的有效采樣數。
[0015]可選的，所述根據所述被采樣數據量、第一概率以及第二概率計算所述目標車輛屬性在訓練數據集中的有效采樣數的步驟包括：
[0016]獲取所述第一概率與所述被采樣數據量的第一乘積結果；
[0017]將所述被采樣數據量與1的相加結果與所述第二概率進行計算，以得到第二乘積結果；
[0018]將所述第一乘積結果和所述第二乘積結果進行累加，以得到所述目標車輛屬性在訓練數據集中的有效采樣數。
[0019]可選的，所述第二概率等于1與所述第一概率之差，所述第一概率等于所述被采樣數據量與所述樣本數量的比值；所述方法還包括：
[0020]根據所述被采樣數據量、第一概率以及第二概率配置有效參數；
[0021]根據所述被采樣數據量、第一概率、第二概率以及所述有效參數計算所述目標車輛屬性在訓練數據集中的有效采樣數。
[0022]可選的，所述有效參數等于所述樣本數量與1之差與所述樣本數量之比。
[0023]可選的，所述目標車輛屬性在訓練數據集中的有效采樣數等于1與所述有效參數的n次冪之差后除以1與有效參數之差，n為樣本數量的第n個目標車輛屬性。
[0024]可選的，所述將所述訓練數據集輸入預訓練模型進行訓練，以得到所述目標車輛屬性對應的初始損失函數的步驟包括：
[0025]獲取訓練數據集中目標車輛屬性的類別數量；
[0026]根據所述類別數量獲取所述目標車輛屬性的類別標簽；
[0027]將所述類別數量輸入預訓練模型進行訓練，以得到輸出結果；
[0028]根據所述類別數量、類別標簽以及輸出結果計算所述目標車輛屬性對應的初始損失函數。
[0029]可選的，所述根據所述類別數量獲取所述目標車輛屬性的類別標簽的步驟包括：
[0030]根據所述類別數量并基于預設類別標簽策略確定所述目標車輛屬性的類別標簽。
[0031]可選的，所述根據所述有效采樣數對所述初始損失函數進行調整，以得到對應的目標損失函數的步驟包括：
[0032]根據所述有效采樣數計算所述目標車輛屬性在訓練數據集中的權重；
[0033]根據所述權重對所述初始損失函數進行加權計算，以得到所述目標車輛屬性對應的目標損失函數。
[0034]第二方面，本專利技術實施例還提供了一種車輛屬性識別方法，所述車輛屬性識別方法包括以下步驟：
[0035]獲取待識別車輛數據，所述待識別車輛數據包括待識別車輛圖像；
[0036]將所述待識別車輛數據輸入預先訓練好的目標識別模型進行識別，得到所述待識別車輛圖像對應的車輛屬性；
[0037]所述預先訓練好的目標識別模型是根據上述實施例提供的車輛屬性的識別模型訓練方法訓練得到的。
[0038]第三方面，本專利技術實施例還提供了一種車輛屬性的識別模型訓練裝置，所述車輛屬性的識別模型訓練裝置包括：
[0039]第二獲取模塊，用于獲取訓練數據集，所述訓練數據集包括目標車輛屬性以及所述目標車輛屬性對應的樣本數量；
[0040]計算模塊，用于根據樣本數量，計算目標車輛屬性在訓練數據集中的有效采樣數；
[0041]第一訓練模塊，用于將訓練數據集輸入預訓練模型進行訓練，以得到目標車輛屬性對應的初始損失函數；
[0042]調整模塊，用于根據有效采樣數對初始損失函數進行調整，以得到對應的目標損失函數；
[0043]第二訓練模塊，用于基于目標損失函數對預訓練模型進行訓練，以得到目標識別模型。
[0044]第四方面，本專利技術實施例還提供了一種車輛屬性識別裝置，所述車輛屬性識別裝置包括：
[0045]第一獲取模塊，用于獲取待識別車輛數據，所述待識別車輛數據包括待識別車輛圖像；
[0046]識別模塊，用于將所述待識別車輛數據輸入預先訓練好的目標識別模型進行識別，得到所述待識別車輛圖像對應的車輛屬性；
[0047]所述預先訓練好的目標識別模型是根據上述實施例提供的車輛屬性的識別模型訓練方法訓練得到的。
[0048]第五方面，本專利技術實施例還提供了一種電子設備，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述實施例提供的車輛屬性的識別模型訓練方法中的步驟，以及實現上述實施例提供的車輛屬性識別方法中的步驟。
[0049]第六方面，本專利技術實施例還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現上述實施例提供的車輛屬性的識別模型訓練方法中的步驟，以及實現上述實施例提供的車輛屬性識別方法中的步驟。
[0050]本專利技術實施例中，通過獲取訓練數據集，所述訓練數據集包括目標車輛屬性以及所述目標車輛屬性對應的樣本數量；根據所述本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種車輛屬性的識別模型訓練方法，其特征在于，所述方法包括以下步驟：獲取訓練數據集，所述訓練數據集包括目標車輛屬性以及所述目標車輛屬性對應的樣本數量；根據所述樣本數量，計算所述目標車輛屬性在所述訓練數據集中的有效采樣數；將所述訓練數據集輸入預訓練模型進行訓練，以得到所述目標車輛屬性對應的初始損失函數；根據所述有效采樣數對所述初始損失函數進行調整，以得到對應的目標損失函數；基于所述目標損失函數對所述預訓練模型進行訓練，以得到目標識別模型。2.如權利要求1所述的車輛屬性的識別模型訓練方法，其特征在于，所述根據所述樣本數量，計算所述目標車輛屬性在訓練數據集中的有效采樣數的步驟包括：獲取所述樣本數量，所述樣本數量包括被采樣數據量以及未被采樣過的新數據量；當任意選擇所述樣本數量作為訓練數據時，獲取所述訓練數據落入被采樣數據量的第一概率以及所述訓練數據落入新數據量的第二概率；根據所述被采樣數據量、第一概率以及第二概率計算所述目標車輛屬性在訓練數據集中的有效采樣數。3.如權利要求2所述的車輛屬性的識別模型訓練方法，其特征在于，所述根據所述被采樣數據量、第一概率以及第二概率計算所述目標車輛屬性在訓練數據集中的有效采樣數的步驟包括：獲取所述第一概率與所述被采樣數據量的第一乘積結果；將所述被采樣數據量與1的相加結果與所述第二概率進行計算，以得到第二乘積結果；將所述第一乘積結果和所述第二乘積結果進行累加，以得到所述目標車輛屬性在訓練數據集中的有效采樣數。4.如權利要求3所述的車輛屬性的識別模型訓練方法，其特征在于，所述第二概率等于1與所述第一概率之差，所述第一概率等于所述被采樣數據量與所述樣本數量的比值；所述根據所述被采樣數據量、第一概率以及第二概率計算所述目標車輛屬性在訓練數據集中的有效采樣數的步驟還包括：根據所述被采樣數據量、第一概率以及第二概率配置有效參數；根據所述被采樣數據量、第一概率、第二概率以及所述有效參數計算所述目標車輛屬性在訓練數據集中的有效采樣數。5.如權利要求4所述的車輛屬性的識別模型訓練方法，其特征在于，所述有效參數等于所述樣本數量與1之差與所述樣本數量之比。6.如權利要求5所述的車輛屬性的識別模型訓練方法，其特征在于，所述目標車輛屬性在訓練數據集中的有效采樣數等于1與所述有效參數的n次冪之差后除以1與有效參數之差，n為樣本數量的第n個目標車輛屬性。7.如權利要求1所述的車輛屬性的識別模型訓練方法，其特征在于，所述將所述訓練數據集輸入預訓練模型進行訓練，以得到所述目標車輛屬性對應的初始損失函數的步驟包括：獲取訓練數據集中目標車輛屬性的類別數量；根據所述類別數量獲取所述目標車輛屬性的類別標簽；
將所述類別數量輸入預訓練模型進行訓練，以...
【專利技術屬性】
技術研發人員：吳天舒，
申請(專利權)人：深圳云天勵飛技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。