申请/专利权人：安徽金盾三维高科技有限公司;中国刑事警察学院;合肥市公安局刑事警察支队

申请日：2023-12-28

公开（公告）日：2024-04-05

公开（公告）号：CN117830714A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/44;G06V10/82;G06N3/084;G06N3/048;G06N3/006;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明公开了一种弹头样本特征向量模型训练的方法及其系统，具体包括以下步骤：S1、数据采集，S2、数据预处理，S3、特征提取网络构建，S4、训练流水线构建，S5、网络模型训练，S6、模型验证与优选，S7、推理流水线搭建，本发明涉及计算机视觉和深度学习技术领域。该弹头样本特征向量模型训练的方法及其系统，能够提升识别效率：本发明以深度学习技术的核心能力进行枪弹痕迹的自动识别，免除了耗时且耗精力的手动识别过程，从而显著提升了整体的识别效率。在发明对应的步骤三和步骤五中，系统通过构建特征提取网络并利用该网络进行模型训练，从而达到自动化识别枪弹痕迹的效果，大幅提高了数据处理效率。

主权项：1.一种弹头样本特征向量模型训练的方法，其特征在于：具体包括以下步骤：S1、数据采集：在弹头样本模型训练的初始阶段，获取各类型弹头的样本数据，所有数据采集后需要统一格式，使计算机能够进行进一步理解和操作；S2、数据预处理：对采集到的原始数据进行充分的数据清洗和数据转换预处理；S3、特征提取网络构建：特征提取网络框架由二中全卷积神经网络组成，一部分负责处理二维图像数据，一部分负责处理三维形貌数据，将两个模态样本的特征拼接，以形成更具表征能力的双模特征，将双模特征输入分类头，输出分类分数向量，分类分数向量与标签共同输入损失函数，损失函数使用交叉熵函数输出损失值，对损失进行反向传播，优化神经网络参数；S4、训练流水线构建：首先计算机将通过训练集运用步骤S3的特征提取网络抽出特征并将特征输入到分类头中，利用验证集，模型则能得到微调并获得最佳的模型参数；S5、网络模型训练：构建枪弹痕迹自动识别模型之后，依据需求和现有条件进行模型参数初始化，包括预训练模型和各种初始化手段，利用训练集的样本数据和枪支分类标签对构建好的枪弹痕迹自动识别模型进行有监督训练，优化模型特征提取层和分类层的性能，训练完毕后删除枪弹痕迹自动识别模型的分类层，得到特征提取模型；S6、模型验证与优选：验证集由未被处理过且随机分配的数据组成，能帮助监测模型的泛化性能，避免过度拟合，并且通过比较不同模型的性能筛选出最优模型；S7、推理流水线搭建：当模型训练完成并且最优模型被选中后，构建一个推理流水线，未知数据或者新的枪弹痕迹数据输入到流水线中，模型对数据进行推理并输出每个样本属于各个类别的概率，然后，根据这个概率分布来做出判断和决定。

全文数据：

权利要求：

百度查询： 安徽金盾三维高科技有限公司;中国刑事警察学院;合肥市公安局刑事警察支队 一种弹头样本特征向量模型训练的方法及其系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD