[发明专利]一种行为类型的确定方法、装置、存储介质及电子装置

权利要求书

1.一种行为类型的确定方法，其特征在于，包括：

使用目标网络模型中包括的N个目标子网络分别对目标对象的目标数据进行分析，以确定所述目标对象的N个状态信息，其中，所述N个目标子网络并列连接在所述目标网络模型中包括的主干网络后，所述N个目标子网络中包括的每个所述目标子网络均为使用多组训练数据通过机器学习训练出的，所述多组训练数据中的每组数据均包括N组训练子数据，每组所述训练子数据均包括对象的数据以及所述数据的标签信息，一组所述训练子数据用于训练一个所述目标子网络，训练每个所述目标子网络所使用的训练数据中的数据标签信息不同；

基于所述N个状态信息确定所述目标对象的行为类型；

在使用目标网络模型中包括的N个目标子网络对目标对象的目标数据进行分析之前，所述方法还包括：利用所述多组训练数据训练初始网络模型，以得到每个初始子网络的初始损失值，其中，所述初始网络模型中包括N个初始子网络；基于每个所述初始子网络的所述初始损失值确定目标损失值；基于所述目标损失值更新所述目标网络模型的网络参数，以得到更新网络模型；将所述更新网络模型确定为所述目标网络模型；

基于每个所述初始子网络的所述初始损失值确定目标损失值包括：针对每次训练均执行以下操作：确定每个所述初始子网络的所述初始损失值中包括的最小值；确定所述N个初始子网络的所述初始损失值的第一和值；分别确定每个所述初始子网络的所述初始损失值与所述最小值的乘积，以得到N个第一乘积；分别将每个所述第一乘积与所述第一和值的比值确定为每个所述初始子网络的目标权重；基于目标权重以及所述初始损失值确定所述目标损失值；

将所述更新网络模型确定为所述目标网络模型包括：在训练所述初始网络模型预定次数后，利用测试数据确定所述更新网络模型的训练精度；在所述训练精度大于预定阈值的情况下，将所述更新网络模型确定为所述目标网络模型，其中，所述预定次数是按梯度逐渐减小的次数；

所述目标网络模型的主干网络为基于所述目标网络模型的应用场景对模型的推理速度要求确定的；

其中，基于所述N个状态信息确定所述目标对象的行为类型包括：

在所述状态信息中包括骑行状态以及目标对象的对象方位信息的情况下，确定所述对象方位信息与目标设备的设备方位信息的关系；

在所述关系指示所述对象方位信息与所述设备方位信息相同的情况下，确定所述行为类型为正常类型；

在所述关系指示所述对象方位信息与所述设备方位信息不同的情况下，确定所述行为类型为逆行违章类型。

2.根据权利要求1所述的方法，其特征在于，基于所述目标权重以及所述初始损失值确定所述目标损失值包括：

分别确定每个所述初始子网络对应的所述目标权重与所述初始子网络的初始损失值的第二乘积，以得到N个第二乘积；

将所述N个第二乘积的第二和值确定为所述目标损失值。