【技术实现步骤摘要】
模型训练方法、图像检测方法、装置、存储介质及设备
[0001]本专利技术涉及计算机
，具体涉及一种模型训练方法、图像检测方法、装置、存储介质及设备。
技术介绍
[0002]机器学习(Machine learning，ML)是一门多领域交叉学科，可应用在模型训练中。具体地，机器学习可以基于样本数据进行学习，根据学习结果对模型进行更新以得到性能完善的模型。
[0003]在实际使用中，每个模型都是要为某个应用服务，以实现某种特定的功能。一般情况下人们希望部署到应用中的模型使用较少的计算资源(存储空间、计算单元等)并产生较低的时延，于是模型的知识蒸馏方法便应运而生。模型的知识蒸馏方法是一种模型压缩/训练方法，具体是学生模型(小模型)通过模仿老师模型(大模型)来提高学生模型的性能的方法。
[0004]然而，在检测模型中，由于训练数据中绝大多数都是背景特征，而目标特征的占比较少，使得采用知识蒸馏方法对学生模型进行优化的效果较差。
技术实现思路
[0005]本申请实施例提供一种模型训练方法、图像检测方...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取图像样本经第一检测模型处理后得到的第一特征图，以及获取所述图像样本经第二检测模型处理后得到的第二特征图；基于所述第一特征图与所述第二特征图计算所述图像样本中包含的物体位置对应的第一训练损失参数；根据所述图像样本的指导训练区域位置对所述第一训练损失参数进行调整，得到所述图像样本对应的第二训练损失参数；根据所述第二训练损失参数对所述第二检测模型的网络参数进行调整，得到调整后的第二检测模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述图像样本的指导训练区域位置对所述第一训练损失参数进行调整，得到所述图像样本对应的第二训练损失参数，包括：获取所述图像样本中前景物体的标注位置；根据所述标注位置确定所述图像样本对应的指导训练区域位置；根据所述指导训练区域位置对所述第一训练损失参数进行调整，得到所述图像样本对应的第二训练损失参数。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取所述第一检测模型对所述图像样本进行检测得到的前景物体对应的第一检测位置；所述根据所述标注位置确定所述图像样本对应的指导训练区域位置，包括：根据所述标注位置与所述第一检测位置确定所述图像样本对应的指导训练区域位置。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：获取所述第二检测模型对所述图像样本进行检测得到的前景物体的第二检测位置；所述根据所述标注位置与所述第一检测位置确定所述图像样本对应的指导训练区域位置，包括：根据所述标注位置、所述第一检测位置与所述第二检测位置确定所述图像样本对应的指导训练区域位置。5.根据权利要求3所述的方法，其特征在于，所述获取所述第一检测模型对所述图像样本进行检测得到的前景物体对应的第一检测位置，包括：对所述第一特征图进行物体检测，得到多个检测结果，所述检测结果包括物体信息以及物体所处的位置；根据所述检测结果标注所述第一特征图中的前景物体对应的矩形框并确定每一矩形框的坐标信息；根据每一矩形框的坐标信息确定第一检测位置。6.根据权利要求5所述的方法，其特征在于，所述根据所述检测结果标注所述第一特征图中的前景物体对应的矩形框并确定每一矩形框的坐标信息，包括：获取所述检测结果中每个物体属于前景物体的概率；确定概率高于预设阈值的物体为前景物体，并标注每一前景物体的对应的矩形框；确定每一矩形框的坐标信息。7.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征图与所述第二特征
图计算所述图像样本中包含的物体位置对应的第一训练损失参数，包括：将所述第二特征图的尺寸调整为与所述第一特征图的尺寸相同，得到第三特征图；计算所述第一特征图与所述第三特征图的均方误差，得到图像样本对应的第一训练损失参数。8.根据权利要求1所述的...
【专利技术属性】
技术研发人员：诸加丹，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：
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。