(19)中华 人民共和国 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 202111656401.9 (22)申请日 2021.12.3 0 (71)申请人 苏州科达科技股份有限公司 地址 215011 江苏省苏州市高新区金山路 131号 (72)发明人 马伟　章勇　毛晓蛟　赵妍珠　 (74)专利代理 机构 苏州谨和知识产权代理事务 所(特殊普通 合伙) 32295 代理人 叶栋 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) (54)发明名称 车辆分类方法、 设备及存 储介质 (57)摘要 本申请涉及一种车辆分类方法、 设备及存储 介质， 属于图像识别技术领域， 该方法包括： 将目 标图像输入 预先训练的基础分类模 型， 得到目标 图像的图像特征、 目标图像中车辆的分类结果和 分类结果的置信度， 每辆车辆的分类结果包括m 级分类信息； 在置信度小于预设阈值的情况下获 取属于第一级分类信息的样本车辆图像得到支 持集； 将支持集输入预先训练的小样本分类模型 执行元测试任务， 得到第一级分类信息下各子类 的小样本特征； 基于图像特征和各子类的小样本 特征， 确定车辆的最终分类结果； 可以解决训练 分类模型的训练数据少， 导致分类模 型的鲁棒性 不足、 车辆分类结果容易出错的问题； 可 以提高 车辆分类的准确率。 权利要求书2页 说明书10页 附图4页 CN 114332564 A 2022.04.12 CN 114332564 A 1.一种车辆分类方法， 其特 征在于， 所述方法包括： 获取目标图像； 将所述目标图像输入预先训练的基础分类模型， 得到所述目标图像的图像特征、 所述 目标图像中车辆的分类结果和所述分类结果的置信度， 每辆车辆的分类结果包括m级分类 信息， 所述m为大于1的正整 数； 所述基础分类模 型是使用第一训练集训练得到的， 所述第一 训练集包括样本车辆图像和所述样本车辆图像中每辆车辆的m级分类标签； 在所述置信度小于预设阈值的情况下， 从第 二训练集中获取属于所述分类结果中的第 一级分类信息的样本车辆图像， 得到支持集； 所述第二训练集包括各个第一级分类信息对 应的车辆样本图像、 以及每 个车辆样本图像在对应的所述第一级分类信息下的子类标签； 将所述支持集输入预先训练 的小样本分类模型执行元测试任务， 得到所述第 一级分类 信息下各子类的小样本特征和更新后的小样本 分类模型； 所述小样本 分类模型使用第三训 练集构建的元训练任务训练得到； 基于所述图像特 征和所述各子类的小样本特 征， 确定所述车辆的最终分类结果。 2.根据权利要求1所述的方法， 其特征在于， 所述基于所述图像特征和所述各子类的小 样本特征， 确定所述车辆的最终分类结果， 包括： 将所述图像特 征分别与各子类的小样本特 征进行融合， 得到各子类的融合后的特 征； 将所述目标图像输入执行所述更新后的小样本分类模型， 得到所述目标图像的小样本 特征； 基于所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度， 确定所 述车辆的最终分类结果。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述目标图像的小样本特征和所 述各子类的融合后的特 征之间的相似度， 确定所述车辆的最终分类结果， 包括： 在所述目标图像的小样本特征和所述各子类的融合后的特征之间的相似度大于相似 度阈值的情况下， 从所述各子类的融合后的特征中确定与所述小样本特征相似度最高的融 合后的特 征； 将所述相似度最高的融合后的特征对应的子类和所述第一级分类信息作为所述最终 分类结果。 4.根据权利要求1所述的方法， 其特征在于， 所述第 三训练集包括多 张样本车辆图像和 每张样本车辆图像的至少两种分类结果； 使用所述第三训练集构建的元训练任务训练所述小样本分类模型的过程包括： 从所述至少两种分类结果中随机确定N种分类结果； 所述 N为正整数； 对于每种分类结果， 从所述分类结果对应的样本车辆 图像中抽取K张样本车辆 图像作 为支持集， 并从所述分类结果对应的剩余的样本车辆图像中抽取P张样本车辆图像作为查 询集， 得到所述元训练任务； 所述K和P为 正整数； 利用预先创建的神经网络模型在所述元训练任务上进行迭代学习， 直至学习后的神经 网络模型收敛， 得到所述小样本分类模型。 5.根据权利要求1所述的方法， 其特征在于， 所述将所述支持集输入预先训练 的小样本 分类模型执行元测试任务， 得到所述第一级分类信息下各子类的小样本特征和更新后的小 样本分类模型， 包括：权　利　要　求　书 1/2 页 2 CN 114332564 A 2使用所述预 先训练的小样本分类模型对所述支持集进行 预测， 得到预测值； 将所述预测值和所述支持集对应的子类标签进行对比， 得到预测损失值； 基于所述预测损失值对所述预先训练 的小样本分类模型进行参数更新， 得到所述更新 后的小样本分类模型； 使用所述更新后的小样本分类模型对所述支持集进行小样本特征提取， 得到所述第 一 级分类信息下 各子类的小样本特 征。 6.根据权利要求1所述的方法， 其特征在于， 所述基础分类模型包括特征提取网络、 与 所述特征提取网络分别相连的第一分支网络、 第二分支网络和第三分支网络、 以及与所述 第一分支网络、 第二分支网络和第三分支网络相连的融合层； 所述特征提取网络用于对所述目标图像进行 特征提取， 得到特 征图； 所述第一分支网络用于将所述特 征提取网络 输出的特 征图直接 输入至所述融合层； 所述第二分支网络用于对不同通道的特 征图提取 特征后级联， 得到级联后的特 征图； 所述第三分支网络用于按照预先学习的通道权重为所述特征图的不同通道赋予权重 信息， 得到更新后的特 征图； 所述融合层用于对所述特征图、 所述级联后的特征图和所述更新后的特征图进行特征 融合， 得到所述图像特 征。 7.根据权利要求6所述的方法， 其特征在于， 所述第 二分支网络包括依次相连的全局 平 均特征提取层、 通道层和通道匹配层； 所述全局平均特 征提取层用于提取 所述特征图的全局平均特 征； 所述通道层用于分别提取不同的通道特 征， 并将提取到的不同通道的特 征级联； 所述通道匹配层用于调整级联后的特征的通道数， 以使调整后的通道数与 所述第一分 支网络的通道数和所述第三分支网络的通道数匹配。 8.根据权利要求6所述的方法， 其特征在于， 所述第 三分支网络包括依次相连的最大池 化层、 全连接层、 激活函数层和通道匹配层； 所述最大池化层用于减小所述特 征图的尺寸； 所述全连接层用于将减小后的特 征图按照通道数进行排列； 所述激活函数层用于为 排列后得到的不同通道的特 征图赋予权 重信息； 所述通道匹配层用于调整权重调 整后的特征的通道数， 以使调整后的通道数与所述第 一分支网络的通道数和所述第二分支网络的通道数匹配。 9.一种电子设备， 其特征在于， 所述设备包括处理器和存储器； 所述存储器中存储有程 序， 所述程序由所述处理器加载并执行以实现如权利要求1至8任一项所述的车辆分类方 法。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质中存储有程序， 所述程序被 处理器执行时用于实现如权利要求1至8任一项所述的车辆分类方法。权　利　要　求　书 2/2 页 3 CN 114332564 A 3