【技术实现步骤摘要】
用于目标检测的神经网络训练方法、装置、设备、介质
本专利技术实施例涉及图像处理
,具体涉及一种用于目标检测的神经网络训练方法、装置、设备、介质。
技术介绍
神经网络在人工智能(AI)领域快速发展,推动了图像分类、目标检测等各领域的进步。但深度神经网络的准确度提高的同时,深度在不断加深,网络参数也在不断增多,随之带来的便是模型变大,算法执行速度变慢,从而不便于在某些场景下应用,比如:资源受限场景(手机、嵌入式设备),需要实时分析的场景(实时监控),成本受限的场景(GPU资源有限)等等。因此,如何在目标检测的过程中,在对目标进行识别的同时,能够减少对计算资源的需求,是本领域技术人员亟待解决的技术问题。
技术实现思路
为此,本专利技术实施例提供一种用于目标检测的神经网络训练方法、装置、设备、介质,在目标检测的过程中,在对目标进行识别的同时,能够减少对计算资源的需求。为了实现上述目的,本专利技术实施例提供如下技术方案:第一方面,本专利技术提供一种用于目标检测的神经网络训练方法,该方法包括:S1:将检测目标图像输入teacher网络、student网络;S2:将所述teacher网络中第四层的第一特征值、所述student网络中的第四层的第二特征值,进行比较,得到比对结果;S3:利用所述比对结果,对所述student网络进行调整,并进入步骤S2,直到得到的比对结果小于预设阈值,以得到训练后的student网络;其中,所述teacher网络与所述student网络的总体构架相同;所述teacher网络处于前向预测模式,所述student网络处于训练模式;所述teac ...
【技术保护点】
1.一种用于目标检测的神经网络训练方法,其特征在于,包括:S1:将检测目标图像输入teacher网络、student网络;S2:将所述teacher网络中第四层的第一特征值、所述student网络中的第四层的第二特征值,进行比较,得到比对结果;S3:利用所述比对结果,对所述student网络进行调整,并进入步骤S2,直到得到的比对结果小于预设阈值,以得到训练后的student网络;其中,所述teacher网络与所述student网络的总体构架相同;所述teacher网络处于前向预测模式,所述student网络处于训练模式;所述teacher网络的通道数比所述student网络的通道数多;所述检测目标图像,设有检测目标的矩形框以及所述检测目标的标签类别。
【技术特征摘要】
1.一种用于目标检测的神经网络训练方法,其特征在于,包括:S1:将检测目标图像输入teacher网络、student网络;S2:将所述teacher网络中第四层的第一特征值、所述student网络中的第四层的第二特征值,进行比较,得到比对结果;S3:利用所述比对结果,对所述student网络进行调整,并进入步骤S2,直到得到的比对结果小于预设阈值,以得到训练后的student网络;其中,所述teacher网络与所述student网络的总体构架相同;所述teacher网络处于前向预测模式,所述student网络处于训练模式;所述teacher网络的通道数比所述student网络的通道数多;所述检测目标图像,设有检测目标的矩形框以及所述检测目标的标签类别。2.根据权利要求1所述的神经网络训练方法,其特征在于,在所述步骤S2:将所述teacher网络中第四层的第一特征值、所述student网络中的第四层的第二特征值,进行比较,得到比对结果的同时,还包括:将所述student网络的RPN网络接入所述检测目标图像的所述矩形框以及对应的检测类别;利用所述RPN网络的FasterRCNN标准Loss函数对所述RPN网络进行反向传播训练,得到训练后的RPN网络。3.根据权利要求1所述的神经网络训练方法,其特征在于,在所述步骤S2:将所述teacher网络中第四层的第一特征值、所述student网络中的第四层的第二特征值,进行比较,得到比对结果的同时,还包括:将所述student网络的RPN网络、FasterRCNN头部网络接入所述检测目标图像的所述矩形框以及对应的检测类别;利用所述FasterRCNN头部网络的FasterRCNN标准Loss函数对所述FasterRCNN头部网络进行反向传播训练,得到训练后的FasterRCNN头部网络。4.根据权利要求1至3任一项所述的神经网络训练方法,其特征在于,所述S2:将所述teacher网络中第四层的第一特征值、所述student网络中的第四层的第二特征值,进行比较,得到比对结果,包括:将所述student网络第四层的通道数量扩充到与所述teacher网络第四层的通道数量相同;所述teacher网络中第四层的第一特征值、所述student网络中的第四层的扩充后的第二特征值输入到L2Loss函数;将所述L2Loss函数的结果确定为比对结果,以便对student网络进行反向传播训练;其中,所述L2Loss函数为:s为teacher网络中第四层的第一特征值;t为student网络中的第四层的第二特征值;r(t)为student网络中的第四层的扩充后的第二特征值;所述N为s-r(t)的元素个数。5.一种用于目标检测的神经网络训练装置,其特征在于,包括:目标图像输入模块,用于实现步骤S1:将检测目标图像输入teache...
【专利技术属性】
技术研发人员:宋波,
申请(专利权)人:北京影谱科技股份有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。