(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210542074.2 (22)申请日 2022.05.18 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 李熙莹　邓珏惠　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 梁嘉琦 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06T 3/40(2006.01) (54)发明名称 一种自适应扩增类别的车款细粒度识别方 法及系统 (57)摘要 本发明公开了一种自适应扩增类别的车款 细粒度识别方法及系统， 方法包括： 获取待训练 的新类别数据和旧类别数据； 将旧类别数据输入 到细粒度车款分类网络中进行训练， 输出旧类别 数据的特征向量； 并将新类别数据输入到训练好 的细粒度车款分类网络中进行前向计算， 输出新 类别数据的特征向量； 通过可扩增车款识别模块 对所述特征向量进行基于类别中心的自适应类 别扩增， 输出所述新类别数据和旧类别数据对应 的类别中心， 完成车款识别模型的训练； 将待识 别数据输入训练好的所述车款识别模 型， 计算所 述类别中心与待识别数据之间的匹配度， 识别得 到所述待识别数据对应的车款信息， 本发明的识 别准确率高且训练成本低， 可广泛应用于人工智 能技术领域。 权利要求书3页 说明书11页 附图4页 CN 114913001 A 2022.08.16 CN 114913001 A 1.一种自适应扩增类别的车款细粒度识别方法， 其特 征在于， 包括： 获取待训练的新类别数据和旧类别数据； 将旧类别数据输入到细粒度车款分类网络中进行训练， 输出旧类别数据的特征向量； 并将新类别数据输入到训练好的细粒度车款分类网络中进 行前向计算， 输出新类别数据的 特征向量； 通过可扩增车款识别模块对所述旧类别数据和所述新类别数据的特征向量进行基于 类别中心的自适应类别扩增， 输出所述新类别数据和旧类别数据对应的类别中心， 完成车 款识别模型的训练； 将待识别数据输入训练好的所述车款识别模型， 计算所述类别中心与待识别数据之间 的匹配度， 识别得到所述待识别数据对应的车款信息； 其中， 所述细粒度车款分类网络包括距离度量匹配分类基础网络、 类域划分增强模块 和车辆特 征增强模块。 2.根据权利要求1所述的一种自适应扩增类别的车款细粒度识别方法， 其特征在于， 所 述将旧类别数据输入到细粒度车款分类网络中进行训练， 输出旧类别数据的特征向量； 并 将新类别数据输入到训练好的细粒度车款分类网络中进行前向计算， 输出新类别数据的特 征向量， 包括： 将数据输入距离度量匹配分类基础网络进行训练， 配合所述车辆特征增强模块对所述 样本数据进行 特征提取； 通过所述类域划分增强模块进行类间距离的优化训练， 最终输出各输入数据对应的特 征向量。 3.根据权利要求2所述的一种自适应扩增类别的车款细粒度识别方法， 其特 征在于， 所述距离度量匹配分类基础网络建立在残差网络结构ResNet50的基础上， 所述距离度 量匹配分类基础网络的损失函数由三元组损失函数、 中心损失函数和交叉熵损失函数组合 得到； 所述距离度 量匹配分类基础网络在ResNet50的基础上引入BNNeck结构， 将不同损失函 数分开优化处 理； 其中， 所述距离度量匹配分类 基础网络的损失函数的表达式为： Loss＝LCE+Ltriplet+α·center Loss代表所述距离度量匹配分类基础网络的损失函数的损失值； LCE代表交叉熵损失函 数的损失值； Ltriplet代表三元组损失函数的损失值； Lcenter代表中心损失函数的损失值； α 是 控制中心损失的权 重参数。 4.根据权利要求2所述的一种自适应扩增类别的车款细粒度识别方法， 其特征在于， 所 述车辆特 征增强模块的处 理步骤包括： 将从样本数据中提取到的特 征图沿着通道维度进行叠加， 压缩至通道数为 一； 计算通道维度叠加后的特 征图的均值， 将所述均值作为阈值进行二 值化处理； 将二值化处理后的特 征图乘以25 5， 并进行线性插值扩大至 输入图片的尺寸大小； 寻找特征图中高度范围内非零像素值所在的最小高度、 最大高度和宽度 范围内非零像 素值所在的最小宽度、 最大宽度一共四个坐标位置作为 寻找到的目标位置 定位点； 采用特征图尺寸的0.0 5倍边框将所述目标位置 定位点扩大， 得到最终的目标定位 点；权　利　要　求　书 1/3 页 2 CN 114913001 A 2利用最终的目标定位点来裁剪出目标车辆图片， 作为添加了车辆目标特征增强模块后 的距离度量匹配分类 基础网络的输入进行二次训练。 5.根据权利要求2所述的一种自适应扩增类别的车款细粒度识别方法， 其特征在于， 所 述类域划分增强模块的处 理步骤包括： 初始化各个 类别中心； 第1至n轮训练中， 利用所述距离度量匹配分类基础网络中的损失函数进行训练， 并根 据预设的学习率更新所述各个 类别中心； 前n轮训练结束后保存类别中心； 加载所述类别中心； 第n+1至N轮训练中， 利用添加了类别中心对三元组损失的总损失函数进行训练， 并以 预设的步长更新所述类别中心； 其中， n<N， n和N均代 表对应的训练轮次。 6.根据权利要求1所述的一种自适应扩增类别的车款细粒度识别方法， 其特征在于， 所 述通过可扩增车款识别模块对所述特征向量进 行基于类别中心的自适应类别扩增， 输出所 述新类别数据和旧类别数据对应的类别中心， 完成车款识别模型的训练， 包括： 细粒度车款分类网络在 旧类别数据上进行训练， 计算训练集中每个样本的特征向量， 对旧类别数据的特征向量按类别计算平均向量作为类别中心并存储构成类别中心记忆单 元； 新类别数据通过细粒度 车款分类网络的前向计算机制计算出新类别数据的特征向量， 同样按照类别计算平均向量作为类别中心， 添加进类别中心 记忆单元； 通过细粒度车款分类网络的前向计算机制计算测试图片的特征向量， 与存储的类别中 心进行相似度计算， 选取相似度最大 的类别作为分类结果， 进而输出各个数据对应的类别 中心。 7.一种自适应扩增类别的车款细粒度识别系统， 其特 征在于， 包括： 第一模块， 用于获取待训练的新类别数据和旧类别数据； 第二模块， 用于将旧类别数据输入到细粒度车款分类网络中进行训练， 输出旧类别数 据的特征向量； 并将新类别数据输入到训练好的细粒度车款分类网络中进行前向计算， 输 出新类别数据的特 征向量； 第三模块， 用于通过可扩增车款识别模块对所述特征向量进行基于类别中心的自适应 类别扩增， 输出 所述新类别数据和旧类别数据对应的类别中心， 完成车款识别模型的训练； 第四模块， 用于将待识别数据输入训练好的所述车款识别模型， 计算所述类别 中心与 待识别数据之间的匹配度， 识别得到所述待识别数据对应的车款信息； 其中， 所述细粒度车款分类网络包括距离度量匹配分类基础网络、 类域划分增强模块 和车辆特 征增强模块。 8.一种电子设备， 其特 征在于， 包括处 理器以及存 储器； 所述存储器用于存 储程序； 所述处理器执行所述程序实现如权利要求1至 6中任一项所述的方法。 9.一种计算机可读存储介质， 其特征在于， 所述存储介质存储有程序， 所述程序被处理 器执行实现如权利要求1至 6中任一项所述的方法。权　利　要　求　书 2/3 页 3 CN 114913001 A 3