【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及一种模型的交通灯的识别方法、训练方法、设备及车辆。
技术介绍
1、随着自动驾驶的兴起，交通灯识别在视觉感知中起着至关重要的作用。现有技术中，可以通过深度学习算法和大量的历史交通灯图片进行交通灯识别模型的训练。然而，在使用现有技术中训练得到的模型进行交通灯识别时，轻微的环境噪声就会导致交通灯识别错误，因此，模型的鲁棒性和准确性较差。
技术实现思路
1、本专利技术的目的之一在于提供一种应用于交通灯识别的模型训练方法，以解决现有技术中的模型训练方法的鲁棒性和准确性差的问题；目的之二在于提供一种基于模型的交通灯的识别方法；目的之三在于提供一种应用于交通灯识别的模型训练装置；目的四在于提供一种基于模型的交通灯的识别装置；目的五在于提供一种电子设备；目的六在于提供一种计算机可读存储介质；目的七在于提供一种计算机程序产品；目的八在于提供一种车辆。
2、为了实现上述目的，本专利技术采用的技术方案如下：
3、一种应用于交通灯识别的模型训练方法，包括：
4、获取交通灯识别训练集；其中，所述交通灯识别训练集中包括多个携带有类别标签的历史交通灯图片；
5、基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对初始交通灯识别模型中包括的主干网络、基础分类网络、噪声生成网络以及噪声判别网络进行对抗训练，得到交通灯识别模型；
6、其中，所述初始交通灯识别模型中包括主干网络、基础分类网络、噪声生成网络以
7、根据上述技术手段，其中，基于噪声生成网络进行的对抗训练可以提高训练得到的交通灯识别模型的鲁棒性，在此基础上增加噪声判别网络可以避免训练过程中对引入的噪声过拟合，提高训练得到的交通灯识别模型的准确性。
8、进一步，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对所创建的初始交通灯识别模型中包括的主干网络、基础分类网络、噪声生成网络以及噪声判别网络进行对抗训练，得到交通灯识别模型，包括：重复执行以下步骤，直至初始交通灯识别模型的损失函数值收敛，并对训练完成的初始交通灯识别模型进行模型裁剪处理，得到所述交通灯识别模型：固定初始交通灯识别模型中包括的噪声生成网络的网络参数，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对初始交通灯识别模型的主干网络、基础分类网络以及噪声判别网络的网络进行第一训练处理，得到第一训练处理后的初始交通灯识别模型；固定第一训练后的初始交通灯识别模型的主干网络、基础分类网络以及噪声判别网络的网络参数，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对第一训练后的初始交通灯识别模型的噪声生成网络进行第二训练处理，得到第二训练处理后的初始交通灯识别模型，并获取第二训练处理后的初始交通灯识别模型的损失函数值；其中，确定初始交通灯识别模型的损失函数值收敛之后得到的模型，为训练完成的初始交通灯识别模型；确定对训练完成的初始交通灯识别模型进行模型裁剪处理之后得到的模型，为所述交通灯识别模型。
9、根据上述技术手段，其中，通过初始交通灯识别模型的损失函数值，控制初始交通灯识别模型中包括的主干网络、基础分类网络、噪声生成网络以及噪声判别网络进行交替训练的方式，对初始交通灯识别模型进行对抗训练，可以在提高交通灯识别模型的鲁棒性的基础上，提高交通灯识别模型的准确性，其中，对训练完成的初始交通灯识别模型进行裁剪处理，可以提高交通灯识别模型的识别效率，减少模型的资源占用。
10、进一步，固定初始交通灯识别模型中包括的噪声生成网络的网络参数，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对初始交通灯识别模型的主干网络、基础分类网络以及噪声判别网络的网络进行第一训练处理，得到第一训练处理后的初始交通灯识别模型，包括：从所述交通灯识别训练集中获取第一样本；其中，所述第一样本为交通灯识别训练集中任一携带有类别标签的历史交通灯图片；将所述第一样本输入初始交通灯识别模型包括的噪声生成网络中，生成第二样本；其中，所述第二样本为噪声叠加处理后的第一样本；将所述第一样本输入初始交通灯识别模型包括的主干网络、基础分类网络以及噪声判别网络中，生成所述第一样本对应的第一类别属性和第一噪声属性；其中，所述噪声属性表征历史交通灯图片是否进行了噪声叠加处理；所述噪声属性包括有噪声属性和无噪声属性；将所述第二样本输入初始交通灯识别模型包括的主干网络、基础分类网络以及噪声判别网络中，生成所述第二样本对应的第二类别属性和第二噪声属性；根据所述第一样本对应的第一类别属性和所述第二样本对应的第二类别属性，对初始交通灯识别模型的主干网络和基础分类网络的网络参数进行优化，以最小化所述第一样本对应的第一类别属性与第一样本中所携带的类别标签所表征的类别属性两者之间的差距，且最小化所述第二样本对应的第二类别属性与第二样本中所携带的类别标签所表征的类别属性两者之间的差距，得到优化处理后的主干网络和优化处理后的基础分类网络；根据所述第一样本对应的第一噪声属性和所述第二样本对应的第二噪声属性，对优化处理后的主干网络和噪声判别网络的网络参数进行优化，以最小化所述第一样本对应的第一噪声属性与所述无噪声属性两者之间的差距，且最小化所述第二样本对应的第二噪声属性与所述有噪声属性两者之间的差距，得到第一训练处理后的初始交通灯识别模型。
11、根据上述技术手段，可以提高对初始交通灯识别模型的主干网络、基础分类网络以及噪声判别网络的网络进行训练的准确性。
12、进一步，固定第一训练后的初始交通灯识别模型的主干网络、基础分类网络以及噪声判别网络的网络参数，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对第一训练后的初始交通灯识别模型的噪声生成网络进行第二训练处理，得到第二训练处理后的初始交通灯识别模型，包括：从所述交通灯识别训练集中获取第一样本；将所述第一样本输入第一训练后的初始交通灯识别模型的噪声生成网络中，生成所述第二样本；将所述第二样本输入第一训练后的初始交通灯识别模型的两次优化后的主干网络、优化后的基础分类网络中，生成所述第二样本对应的第三类别属性；根据所述第二样本对应的第三类别属性，对噪声生成网络的网络参数进行优化，以最大化所述第二样本对应的第三类别属性与第二样本中所携带的类别标签所表征的类别属性两者之间的差距，得到第二训练处理后的初始交通灯识别模型。
13、根据上述技术手段，可以提高对初始交通灯识别模型的噪声生成网络进行训练的准确性。
14、进一步，所述训练完成的初始交通灯识别模型中包括：训练完成的主干网络、训练完成的基础分类网络、训练完成的噪声判别网络以及训练完成的噪声生成网络；对训练完成的初始交本文档来自技高网...
【技术保护点】
1.一种应用于交通灯识别的模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对所创建的初始交通灯识别模型中包括的主干网络、基础分类网络、噪声生成网络以及噪声判别网络进行对抗训练，得到交通灯识别模型，包括：
3.根据权利要求2所述的方法，其特征在于，固定初始交通灯识别模型中包括的噪声生成网络的网络参数，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对初始交通灯识别模型的主干网络、基础分类网络以及噪声判别网络的网络进行第一训练处理，得到第一训练处理后的初始交通灯识别模型，包括：
4.根据权利要求3所述的方法，其特征在于，固定第一训练后的初始交通灯识别模型的主干网络、基础分类网络以及噪声判别网络的网络参数，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对第一训练后的初始交通灯识别模型的噪声生成网络进行第二训练处理，得到第二训练处理后的初始交通灯识别模型，包括：
5.根据权利要求2所述的方法，
6.根据权利要求1-5中任一项所述的方法，其特征在于，获取交通灯识别训练集，包括：
7.根据权利要求6所述的方法，其特征在于，所述类别属性中包括：类型类别属性、颜色类别属性、朝向类别属性以及读秒类别属性；其中，所述类型类别属性表征交通灯的类型信息，所述颜色类别属性表征交通灯的颜色信息，所述朝向类别属性表征交通灯的朝向信息，所述读秒类别属性表征交通灯的读秒信息。
8.根据权利要求7所述的方法，其特征在于，对每一历史交通灯图片的类别属性进行独热编码处理，得到每一历史交通灯图片的类别标签，包括：
9.根据权利要求8所述的方法，其特征在于，所述读秒类别属性中包括位数类别属性、第一数字类别属性、第二数字类别属性以及第三数字类别属性；其中，所述位数类别属性表征读秒信息中的位数信息，所述第一数字类别属性表征读秒信息中的第一位数字的信息，所述第二数字类别属性表征读秒信息中的第二位数字的信息，所述第三数字类别属性表征读秒信息中的第三位数字的信息；
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
11.根据权利要求6所述的方法，其特征在于，在对每一历史交通灯图片的类别属性进行独热编码处理，得到每一历史交通灯图片的类别标签之前，所述方法还包括：
12.一种基于模型的交通灯的识别方法，其特征在于，包括：
13.根据权利要求12所述的方法，其特征在于，所述方法还包括：
14.根据权利要求13所述的方法，其特征在于，响应于用户输入的模型部署指令，对所获取的交通灯识别模型进行部署处理，包括：
15.一种应用于交通灯识别的模型训练装置，其特征在于，包括：
16.一种基于模型的交通灯的识别装置，其特征在于，包括：
17.一种电子设备，其特征在于，包括：存储器，处理器；
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-11或权利要求12-14任一项所述的方法。
19.一种计算机程序产品，其特征在于，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-11或权利要求12-14任一项所述的方法。
20.一种车辆，其特征在于，包括执行如权利要求1-11或权利要求12-14任一所述的方法的电子设备。
...【技术特征摘要】
1.一种应用于交通灯识别的模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对所创建的初始交通灯识别模型中包括的主干网络、基础分类网络、噪声生成网络以及噪声判别网络进行对抗训练，得到交通灯识别模型，包括：
3.根据权利要求2所述的方法，其特征在于，固定初始交通灯识别模型中包括的噪声生成网络的网络参数，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对初始交通灯识别模型的主干网络、基础分类网络以及噪声判别网络的网络进行第一训练处理，得到第一训练处理后的初始交通灯识别模型，包括：
4.根据权利要求3所述的方法，其特征在于，固定第一训练后的初始交通灯识别模型的主干网络、基础分类网络以及噪声判别网络的网络参数，基于所获取的交通灯识别训练集中包括的多个携带有类别标签的历史交通灯图片，对第一训练后的初始交通灯识别模型的噪声生成网络进行第二训练处理，得到第二训练处理后的初始交通灯识别模型，包括：
5.根据权利要求2所述的方法，其特征在于，所述训练完成的初始交通灯识别模型中包括：训练完成的主干网络、训练完成的基础分类网络、训练完成的噪声判别网络以及训练完成的噪声生成网络；
6.根据权利要求1-5中任一项所述的方法，其特征在于，获取交通灯识别训练集，包括：
7.根据权利要求6所述的方法，其特征在于，所述类别属性中包括：类型类别属性、颜色类别属性、朝向类别属性以及读秒类别属性；其中，所述类型类别属性表征交通灯的类型信息，所述颜色类别属性表征交通灯的颜色信息，所述朝向类别属性表征交通灯的朝向信息，所述读秒类别属性表征交通灯的读秒信息。
8.根据权利要求7所述的方法，其特征在于，对每一历史交通灯图片的类别属...
【专利技术属性】
技术研发人员：郑昌松，吴锐，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。