[发明专利]非机动车识别方法、装置、电子设备及存储介质

说明书

本发明实施例提供一种非机动车识别方法、装置、电子设备及存储介质，所述方法包括：获取非机动车识别模型的训练数据；根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图样对应的残差的第二存活率；根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；根据所述样本图像的输出结果与对应的标签数据，计算损失函数；通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；基于所述训练好的非机动车识别模型对待识别图像进行识别。训练速度更快，模型更为精简。

技术领域

本发明涉及人工智能领域，尤其涉及一种非机动车识别方法、装置、电子设备及存储介质。

背景技术

在对非机动车进行分类识别时，使用卷积神经网络进行训练较传统特征提取更具有有鲁棒性，提取到的特征更为显著。在基于残差的卷积神经网络中，通过残差网络来提取特征，以得到卷积特征图与残差的融合特征，通过神经元来对结果进行分类。但是，在对卷积神经网络进行训练前，初始模型的结构，比如卷积神经网络中残差网络的数量需要由工作人员进行设定，即是一个固定的值，由于工作人员无法得知最佳的结构，因此这个固定的值会存在一定的余量，而这个余量会造成模型的结构冗余，使得整个卷积网络需要更多的计算资源，计算的时间也较长，也更容易过拟合，而且不利于模型小开化的部署在端设备中，不方便端设备对非机动车进行识别。

发明内容

本发明实施例提供一种非机动车识别方法，能够降低非机动车识别模型的数据量，便于非机动车识别模型的小型化，进一步方便了端设备对非机动车的识别。

第一方面，本发明实施例提供一种非机动车识别方法，所述方法包括：

获取非机动车识别模型的训练数据，所述非机动车识别模型包括多个残差网络，所述训练数据包括非机动车的样本图像以及标签数据；

根据非机动车识别模型的深度，为每个残差网络分配对应的第一存活率；

将所述训练数据输入到所述非机动车识别模型中，计算每个所述残差网络对于所述样本图样对应的残差的第二存活率，所述第二存活率为随机分配；

根据所述第一存活率与所述第二存活率，确定各个残差网络对于样本图像的输出结果；

根据所述样本图像的输出结果与对应的标签数据，计算损失函数；

通过所述损失函数进行反向传播，以调整所述非机动车识别模型的参数，并迭代得到训练好的非机动车识别模型；

基于所述训练好的非机动车识别模型对待识别图像进行识别。

可选的，所述非机动车的标签数据包括真实标签数据与伪标签数据，所述获取非机动车识别模型的训练数据，包括：

获取样本图像，所述样本图像包括具有真实标签数据的样本图像以及没有标签数据的样本图像；

将所述没有标签数据的样本图像输入到预先训练好的标签模型进行标签预测，并根据第一置信度阈值筛选得到样本图像的伪标签数据；

基于所述真实标签数据与所述伪标签数据构建所述非机动车识别模型的训练数据。

可选的，所述方法还包括：

通过所述真实标签数据与对应的样本图像，对所述标签模型进行训练，得到训练好的标签模型。

可选的，所述根据所述样本图像的输出结果与对应的标签数据，计算损失函数，包括：

计算所述真实标签数据对应样本图像的输出结果与所述真实标签数据之间的第一损失函数；

计算所述伪标签数据对应样本图像的输出结果与所述伪标签数据之间的第二损失函数；