场景分类模型的训练方法、装置、电子设备及存储介质.pdf

(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CN114187549A(43)申请公布日2022.03.15(21)申请号202111496702.X(22)申请日2021.12.09(71)申请人中国第一汽车股份有限公司地址130011吉林省长春市汽车经济技术开发区新红旗大街1号(72)发明人吕铮吕颖韩佳琪董小瑜(74)专利代理机构北京远智汇知识产权代理有限公司11659代理人范坤坤(51)Int.Cl.G06V20/40(2022.01)G06K9/62(2022.01)G06V10/774(2022.01)G06V10/764(2022.01)权利要求书2页说明书8页附图2页(54)发明名称场景分类模型的训练方法、装置、电子设备及存储介质(57)摘要本申请实施例公开了场景分类模型的训练方法、装置、电子设备及存储介质。其中，该方法包括：若初始训练样本集的特征分布和初始测试样本集的特征分布不一致，则采用迁移成分分析算法对训练样本集和测试样本集进行处理，得到目标训练样本集和目标测试样本集；根据目标训练样本集，对初始场景分类模型进行训练，得到中间场景分类模型；根据目标测试样本集，对中间场景分类模型进行测试，得到目标场景分类模型。本申请实施例提供的技术方案，能够适用不同地区的场景的识别分类，并能够提高场景识别分类的精度。CN114187549ACN114187549A权利要求书1/2页1.场景分类模型的训练方法，其特征在于，所述方法包括：若初始训练样本集的特征分布和初始测试样本集的特征分布不一致，则采用迁移成分分析算法对所述初始训练样本集和所述初始测试样本集进行处理，得到目标训练样本集和目标测试样本集；根据所述目标训练样本集，对初始场景分类模型进行训练，得到中间场景分类模型；根据所述目标测试样本集，对所述中间场景分类模型进行测试，得到目标场景分类模型。2.根据权利要求1所述的方法，其特征在于，所述采用迁移成分分析算法对所述初始训练样本集和所述初始测试样本集进行处理，得到目标训练样本集和目标测试样本集，包括：分别计算初始训练样本集的特征矩阵和初始测试样本集的特征矩阵；通过计算所述初始训练样本集的特征矩阵和所述初始测试样本集的特征矩阵的最大均值差异距离的最小值，得到目标训练样本集和目标测试样本集。3.根据权利要求2所述的方法，其特征在于，所述通过计算所述初始训练样本集的特征矩阵和所述初始测试样本集的特征矩阵的最大均值差异距离的最小值，得到目标训练样本集和目标测试样本集，包括：根据所述初始训练样本集的数量和所述初始测试样本集的数量，得到与样本集数量相关的中间矩阵；根据所述中间矩阵、所述初始训练样本集的特征矩阵、所述初始测试样本集的特征矩阵和预设核函数，求解所述初始训练样本集和所述初始测试样本集的最大均值差异距离，得到变换矩阵；分别对所述初始训练样本集和所述初始测试样本集乘以所述变换矩阵，得到目标训练样本集和目标测试样本集。4.根据权利要求1所述的方法，其特征在于，所述根据所述目标训练样本集，对初始场景分类模型进行训练，得到中间场景分类模型，包括：根据所述目标训练样本集中样本类别，对初始场景分类模型中预设数量的多类分类器进行训练，得到每个多类分类器对应的模型参数，并得到中间场景分类模型。5.根据权利要求1所述的方法，其特征在于，所述根据所述目标测试样本集，对所述中间场景分类模型进行测试，得到目标场景分类模型，包括：通过所述目标测试样本集中的不同样本类别的样本，分别对所述中间场景分类模型中的每个多类分类器进行测试，得到每个多类分类器对应的测试结果；根据所述测试结果，对所述中间场景分类模型中的多类分类器进行优化，得到目标场景分类模型。6.根据权利要求1所述的方法，其特征在于，所述初始训练样本集中的场景数据和所述初始测试样本集中的场景数据属于不同地区。7.根据权利要求1所述的方法，其特征在于，所述初始场景分类模型为支持向量机模型。8.场景分类模型的训练装置，其特征在于，所述装置包括：样本处理模块，用于若初始训练样本集的特征分布和初始测试样本集的特征分布不一致，则采用迁移成分分析算法对所述初始训练样本集和所述初始测试样本集进行处理，得2CN114187549A权利要求书2/2页到目标训练样本集和目标测试样本集；模型训练模块，用于根据所述目标训练样本集，对初始场景分类模型进行训练，得到中间场景分类模型；模型测试模块，用于根据所述目标测试样本集，对所述中间场景分类模型进行测试，得到目标场景分类模型。9.一种电子设备，其特征在于，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1‑7中任一项所述的场景分类模型的训练方法