[发明专利]基于N版本机器学习的交通标志识别方法及装置

权利要求书

1.基于N版本机器学习的交通标志识别方法，其特征在于，包括：

构建两版本的机器学习架构，包括易感模型和非易感模型，其中，易感模型是为易受对抗样本攻击的模型，非易感模型为不容易或者不会受到对抗攻击的模型；

将自动驾驶系统检测到的交通标志牌图像输入两版本的机器学习架构中，得到交通标志识别结果。

2.如权利要求1所述的基于N版本机器学习的交通标志识别方法，其特征在于，将自动驾驶系统检测到的交通标志牌图像输入两版本的机器学习架构中，得到交通标志识别结果，包括：

由易感模型和非易感模型分别对输入的交通标志牌图像进行识别，如果易感模型输出的结果与非易感模型输出的结果一致且都为正确结果，则将易感模型输出的结果或者非易感模型输出的结果作为交通标志识别结果；

如果易感模型输出的结果与非易感模型输出的结果不一致，则向外部模块发出警告，由外部模块干预识别；

如果易感模型输出的结果与非易感模型输出的结果一致且都为错误结果，则识别失效。

3.如权利要求1所述的基于N版本机器学习的交通标志识别方法，其特征在于，所述方法还包括在输入数据进入易感模型和非易感模型之前，增加第一检测器，第一检测器用以分辨输入数据为干净样本或对抗样本。

4.如权利要求1所述的基于N版本机器学习的交通标志识别方法，其特征在于，所述方法还包括在易感模型和非易感模型输出数据之后，增加第二检测器，第二检测器用以分辨输入数据为干净样本或对抗样本。

5.如权利要求4所述的基于N版本机器学习的交通标志识别方法，其特征在于，所述方法还包括：

如果易感模型输出的结果与非易感模型输出的结果一致且都为正确结果，则认为是准确输出，输出共同结果；

如果易感模型输出的结果与非易感模型输出的结果不一致，则通过第二检测器对判别输入数据进行判别，如果输入数据为对抗样本则将非易感模型输出的结果作为最终识别结果，否则将易感模型输出的结果作为最终识别结果。

6.如权利要求1所述的基于N版本机器学习的交通标志识别方法，其特征在于，所述方法还包括：在两版本的机器学习架构的基础上增加一个或多个与易感模型与非易感模型在统计学上具有独立性且在识别交通标志上有互补性的模型，并采用少数服从多数的投票机制确定输出。

7.基于N版本机器学习的交通标志识别装置，其特征在于，包括：

机器学习架构构建模块，用于构建两版本的机器学习架构，包括易感模型和非易感模型，其中，易感模型是为易受对抗样本攻击的模型，非易感模型为不容易或者不会受到对抗攻击的模型；

交通标志识别模块，用于将自动驾驶系统检测到的交通标志牌图像输入两版本的机器学习架构中，得到交通标志识别结果。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至6中任一项权利要求所述的方法。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6中任一项权利要求所述的方法。