(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211519567.0 (22)申请日 2022.11.30 (71)申请人 广汽埃安 新能源汽车股份有限公司 地址 511447 广东省广州市番禺区石楼镇 龙瀛路36号 (72)发明人 洪炽杰　李敏　侯凯斌　翁元祥　 龙文　蔡仲辉　陶武康　刘智睿　 王倩　 (74)专利代理 机构 北京唯智勤实知识产权代理 事务所(普通 合伙) 11557 专利代理师 姜悦 (51)Int.Cl. G06V 20/58(2022.01) G06N 3/04(2006.01) G06V 10/44(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) H04L 67/06(2022.01) H04L 67/12(2022.01) (54)发明名称 数据发送方法、 装置、 设备和计算机可读介 质 (57)摘要 本公开的实施例公开了数据发送方法、 装 置、 设备和计算机可读介质。 该方法的一具体实 施方式包括： 获取目标车辆图像； 根据目标车辆 图像和目标车辆识别模型， 确定预测结果； 根据 目标车辆图像， 生成特征图； 根据目标车辆图像， 生成梯度矩阵； 根据特征图和梯度矩阵， 生成贡 献度矩阵； 根据贡献度矩阵， 生成可解释矩阵； 根 据可解释矩阵和目标车辆图像， 生成特征占比 图； 根据可解释矩阵、 预测指标结果、 识别结果和 预设真值区域集合， 生成特征调试信息； 将特征 占比图和特征调试信息发送至目标用户对应的 终端设备； 将模型数据发送至相关联的车载终 端。 该实施方式提高了车辆识别模型的泛化能 力、 车辆识别的正确率和车辆行驶的安全性。 权利要求书3页 说明书13页 附图3页 CN 115546767 A 2022.12.30 CN 115546767 A 1.一种数据发送方法， 包括： 获取目标 车辆图像； 根据所述目标车辆图像和预先训练的目标车辆识别模型， 确定预测结果， 其中， 所述预 测结果包括预测指标 结果和识别结果； 根据所述目标 车辆图像， 生成特 征图； 根据所述目标 车辆图像， 生成梯度矩阵； 根据所述特 征图和所述梯度矩阵， 生成贡献度矩阵； 根据所述贡献度矩阵， 生成可解释矩阵； 根据所述可解释矩阵和所述目标 车辆图像， 生成特 征占比图； 根据所述可解释矩阵、 所述预测指标结果、 所述识别结果和预设真值区域集合， 生成特 征调试信息； 将所述特征占比图和所述特征调试信 息发送至目标用户对应的终端设备， 使得所述目 标用户根据对应的应用场景对所述目标识别模型进行优化调整， 得到优化调整处理后的目 标车辆识别模型作为优化目标 车辆识别模型； 响应于接收到所述终端设备发送的优化目标车辆识别模型的模型数据， 将所述模型数 据发送至相关联的车载终端， 使得所述车载终端根据所述模型数据对应的优化目标车辆识 别模型对 采集的车辆图像进行 车辆识别。 2.根据权利要求1所述的方法， 其中， 所述根据所述贡献度矩阵， 生成可解释矩阵， 包 括： 根据所述贡献度矩阵和第一预设函数， 生成第一贡献度矩阵； 对所述第一贡献度矩阵进行插值处理， 得到插值处理后的第 一贡献度矩阵作为插值矩 阵； 对所述插值矩阵进行反卷积处 理， 得到反卷积处 理后的插值矩阵作为反卷积矩阵； 对所述反卷积矩阵进行反池化处理， 得到反池化处理后的反卷积矩阵作为可解释矩 阵。 3.根据权利要求1所述的方法， 其中， 所述 根据所述目标 车辆图像， 生成特 征图， 包括： 对所述目标车辆图像进行卷积处理， 得到卷积处理后的目标车辆图像作为第 一卷积张 量； 对所述第一卷积张量进行卷积处理， 得到卷积处理后的第 一卷积张量作为第 二卷积张 量； 对所述第二卷积张量进行卷积处理， 得到卷积处理后的第 二卷积张量作为第 三卷积张 量； 将所述第三卷积张量确定为 最终卷积张量； 对所述最终卷积张量进行池化处 理， 得到池化处 理后的最终卷积张量作为特 征图。 4.根据权利要求3所述的方法， 其中， 所述根据所述目标车辆图像， 生成梯度矩阵， 包 括： 对所述第三卷积张量进行全连接处理， 得到全连接处理后的第 三卷积张量作为第 一全 连接张量； 对所述第一全连接张量进行全连接处理， 得到全连接处理后的第 一全连接张量作为第权　利　要　求　书 1/3 页 2 CN 115546767 A 2二全连接张量； 对所述第二全连接张量进行全连接处理， 得到全连接处理后的第 二全连接张量作为第 三全连接张量； 对所述第三全连接张量进行反 向传播处理， 得到反 向传播处理后的第 三全连接张量作 为第三反向传播张量； 对所述第三反向传播张量进行反 向传播处理， 得到反 向传播处理后的第 三反向传播张 量作为第二反向传播张量； 对所述第二反向传播张量进行反 向传播处理， 得到反 向传播处理后的第 二反向传播张 量作为第一反向传播张量； 将所述第一反向传播张量对应的矩阵确定为梯度矩阵。 5.根据权利要求1所述的方法， 其中， 所述根据所述特征图和所述梯度矩阵， 生成贡献 度矩阵， 包括： 将所述特 征图对应的矩阵确定为特 征矩阵； 根据所述特 征矩阵和所述梯度矩阵， 生成贡献度矩阵。 6.根据权利要求1所述的方法， 其中， 所述目标车辆识别模型是通过以下方式训练得到 的： 获取样本集， 其中， 所述样本集中的样本包括样本目标车辆图像， 以及与样本目标车辆 图像对应的样本预测指标 结果和样本识别结果； 基于样本集执 行以下训练步骤： 将样本集中的至少一个样本的样本目标车辆图像分别输入至初始目标车辆识别模型 中， 得到所述至少一个样本中的每 个样本对应的预测指标 结果和识别结果； 将所述至少一个样本中的每个样本对应的预测指标结果和识别结果与对应的样本预 测指标结果和识别结果进行比较； 根据比较结果确定初始目标 车辆识别模型 是否达到预设的优化目标； 响应于确定初始目标车辆识别模型达到所述优化目标， 将初始目标车辆识别模型确定 为训练完成的目标 车辆识别模型。 7.根据权利要求6所述的方法， 其中， 训练得到所述目标 车辆识别模型的步骤 还包括： 响应于确定初始目标车辆识别模型未达到所述优化目标， 调 整初始目标车辆识别模型 的网络参数， 以及使用未用过的样本组成样本集， 使用 调整后的初始目标车辆识别模型作 为初始目标 车辆识别模型， 再次执 行所述训练步骤。 8.一种数据发送装置， 包括： 获取单元， 被配置成获取目标 车辆图像； 确定单元， 被配置成根据所述目标车辆 图像和预先训练的目标车辆识别模型， 确定预 测结果， 其中， 所述预测结果包括预测指标 结果和识别结果； 第一生成单元， 被配置成根据所述目标 车辆图像， 生成特 征图； 第二生成单元， 被配置成根据所述目标 车辆图像， 生成梯度矩阵； 第三生成单元， 被配置成根据所述特 征图和所述梯度矩阵， 生成贡献度矩阵； 第四生成单 元， 被配置成根据所述贡献度矩阵， 生成可解释矩阵； 第五生成单 元， 被配置成根据所述可解释矩阵和所述目标 车辆图像， 生成特 征占比图；权　利　要　求　书 2/3 页 3 CN 115546767 A 3