[发明专利]用于停车场管理的基于重对象识别的神经网络的训练方法

权利要求书

1.一种用于停车场管理的基于对象重识别的神经网络的训练方法，其特征在于，包括：

获取训练图像集，所述训练图像集包括由分布在停车场内的不同位置的多个监控摄像头获取的停车场图像；

将所述训练图像集输入卷积神经网络以获得训练特征图；

将所述训练特征图输入空间注意力模块以获得空间注意力图；

基于所述空间注意力图与所述训练特征图之间的距离以获得距离损失函数值；

将所述空间注意力图通过池化层和全连接层后以输入分类函数以获得注意力损失函数值；以及

基于所述距离损失函数值和所述注意力损失函数值更新所述卷积神经网络和所述空间注意力模块。

2.根据权利要求1所述的用于停车场管理的基于对象重识别的神经网络的训练方法，其中，将所述训练特征图输入空间注意力模块以获得空间注意力图，包括：

将所述训练特征图输入第一卷积层以获得第一卷积特征图；

将所述第一卷积特征图以ReLU激活函数激活以获得第一激活特征图；

将所述第一激活特征图输入第二卷积层以获得第二卷积特征图；以及

将所述第二卷积特征图以ReLU激活函数激活以获得所述空间注意力图。

3.根据权利要求2所述的用于停车场管理的基于对象重识别的神经网络的训练方法，其中，

所述第一卷积层和/或所述第二卷积层是1×1卷积层。

4.根据权利要求3所述的用于停车场管理的基于对象重识别的神经网络的训练方法，其中，基于所述空间注意力图与所述训练特征图之间的距离以获得距离损失函数值，包括：

将所述空间注意力图与所述训练特征图进行高度维度的平均池化以获得第一空间注意力向量和第一训练特征向量；

将所述空间注意力图与所述训练特征图进行宽度维度的平均池化以获得第二空间注意力向量和第二训练特征向量；

计算所述第一空间注意力向量和所述第一训练特征向量之间的第一距离以及所述第二空间注意力向量和所述第二训练特征向量之间的第二距离；以及

基于所述第一距离和所述第二距离计算所述距离损失函数值。

5.根据权利要求4所述的用于停车场管理的基于对象重识别的神经网络的训练方法，其中，所述第一空间注意力向量和所述第一训练特征向量之间的第一距离以及所述第二空间注意力向量和所述第二训练特征向量之间的第二距离是欧式距离。

6.根据权利要求4所述的用于停车场管理的基于对象重识别的神经网络的训练方法，其中，基于所述第一距离和所述第二距离计算所述距离损失函数值，包括：基于所述第一距离和所述第二距离的加权和计算所述距离损失函数值。

7.一种用于停车场管理的基于神经网络的图像处理方法，其特征在于，包括：

获取由分布在停车场内的不同位置的多个监控摄像头获取的多个停车场部分图像；

将所述多个停车场部分图像输入如权利要求1到6中任意一项所述的用于停车场管理的基于对象重识别的神经网络的训练方法训练的卷积神经网络以获得检测特征图；以及

基于所述检测特征图进行所述停车场内的预定对象的对象处理。