(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 202210885951.6 (22)申请日 2022.07.26 (71)申请人 厦门市美亚柏科信息安全研究所有 限公司 地址 361000 福建省厦门市思明区软件园 观日路14 号 (72)发明人 陈德意　吴俊毅　吴婷婷　高志鹏　 姚灿荣　赵建强　杜新胜　 (74)专利代理 机构 厦门福贝知识产权代理事务 所(普通合伙) 35235 专利代理师 陈远洋 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/74(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于递进式特征学习技术的车型识别 方法和系统 (57)摘要 本发明给出了一种基于递进式特征学习技 术的车型识别方法和系统， 包括利用已有车型数 据作为主干网络的输入， 经过特征提取后进入全 局池化层和分类层， 利用交叉熵损失函数进行约 束； 将识别网络迁移到目标场景下， 生成带有目 标域风格的高清车型数据集； 利用生成的目标域 风格的车型数据输入到所述主干网络， 进行特征 提取后进入全局平均池化层， 并利用三元组损失 函数进行约束。 本发明首先对模 型进行大规模的 数据训练， 并结合交叉熵损失函数， 使得在这个 阶段模型更关注不同类别上的区分； 紧接着在目 标数据集上对模 型进行递进式训练， 这个阶段结 合三元组损失函数， 使 得特征信息在特征空间能 有明显的区别， 本发明能较好的应对新的目标场 景。 权利要求书2页 说明书6页 附图3页 CN 115205805 A 2022.10.18 CN 115205805 A 1.一种基于递进式特 征学习技术的车型识别方法， 其特 征在于， 包括： S1： 利用已有车型数据作为主干网络的输入， 经过特征提取后进入全局池化层和分类 层， 利用交叉熵损失函数进行约束； S2： 将识别网络 迁移到目标场景 下， 生成带有目标域 风格的高清车 型数据集； S3： 利用生成的目标域风格的车型数据输入到所述主干网络， 进行特征提取后进入全 局平均池化层， 并利用三元组损失函数进行约束。 2.根据权利要求1所述的基于递进式特征学习技术的车型识别方法， 其特征在于， 所述 S1中交叉熵损失函数表达式为 其中， ε∈[0,1]， K表示车 型的类别数， p(k)表示预测 属于类别k的概 率。 3.根据权利要求1所述的基于递进式特征学习技术的车型识别方法， 其特征在于， 所述 S2具体包括： 利用条件GA N网络将目标场景的风格迁移到数据上， 生成带有目标域风格的高 清车型数据集， 且标签与源数据一 致。 4.根据权利要求1所述的基于递进式特征学习技术的车型识别方法， 其特征在于， 所述 S3中三元组损失函数表达式为 其中 P代表不同车型的数量， K0代表每个车型选择K0张不同的图像， 对于每张训练图像xa， 在和xa 相同车型的图像中选择一张相似度距离最大的图像xp作为正样本， 在和xa不同车型的图像 中选择一张相似度距离最小的图像xn作为负样本， 为认为设定的阈值， d( ·,·)定义为 欧式距离， batc h表示批处 理的参数 大小。 5.一种计算机可读存储介质， 其上存储有一或多个计算机程序， 其特征在于， 该一或多 个计算机程序被 计算机处 理器执行时实施权利要求1至4中任一项所述的方法。 6.一种基于递进式特 征学习技术的车型识别系统， 其特 征在于， 所述系统包括： 已有车型数据训练单元： 配置用于利用已有车型数据作为主干网络的输入， 经过特征 提取后进入 全局池化层和分类层， 利用交叉熵损失函数进行约束； 递进式训练单元： 配置用于将识别网络迁移到目标场景下， 生成带有目标域风格的高 清车型数据集； 利用生成的目标域风格的车型数据输入到所述主干网络， 进行特征提取后 进入全局平均池化层， 并利用三元组损失函数进行约束。 7.根据权利要求6所述的基于递进式特征学习技术的车型识别系统， 其特征在于， 所述 已有车型数据训练单元中的所述交叉熵损失函数表达式为 其中， ε∈[0,1]， K表示车型的类别数， p(k)表示预测属于 类别k的概 率。 8.根据权利要求7所述的基于递进式特征学习技术的车型识别系统， 其特征在于， 所述 递进式训练单元中具体包括： 利用条件GA N网络将目标场景的风格迁移到数据上， 生 成带有 目标域风格的高清车 型数据集， 且标签与源数据一 致。 9.根据权利要求8所述的基于递进式特征学习技术的车型识别系统， 其特征在于， 所述 递进式训练单 元中的所述 三元组损失函数表达式为 其中P代表不同车型 的数量， K0代表每个车型权　利　要　求　书 1/2 页 2 CN 115205805 A 2选择K0张不同的图像， 对于每张训练图像xa， 在和xa相同车型的图像中选择一张相似度 距离 最大的图像xp作为正样本， 在和xa不同车型的图像中选择一张相 似度距离最小的图像xn作 为负样本， 为认为设定的阈值， d( ·,·)定义为欧式距离， batc h表示批处 理的参数 大小。权　利　要　求　书 2/2 页 3 CN 115205805 A 3