特征检测方法、模型训练方法、设备和介质技术

本发明专利技术公开了一种特征检测模型的训练方法，该方法包括：首先获取多个未携带标签的人脸训练图像，将第一人脸图像输入教师模型，获取教师模型输出的第一特征信息，并将第一特征信息作为第一人脸图像的标签；再将携带有标签的第一人脸图像输入学生模型，获取学生模型输出的第二特征信息；最后通过预设的蒸馏损失函数，根据第一特征信息和第二特征信息计算蒸馏损失，根据蒸馏损失调整学生模型的参数，返回执行将第一人脸图像输入教师模型的步骤，直至学生模型收敛。可见，本发明专利技术省去人工标注的成本，并且使得学生模型学习到教师模型的分布，便于学生模型的边缘部署。此外，还提出了特征检测方法、设备和存储介质。设备和存储介质。设备和存储介质。

【技术实现步骤摘要】
特征检测方法、模型训练方法、设备和介质


[0001]本专利技术涉及计算机视觉
，尤其是涉及特征检测方法、模型训练方法、设备和介质。

技术介绍

[0002]在特征检测的具体应用中，由于实际业务的变动，越来越多的业务更倾向于边缘部署。边缘部署主要用于嵌入式设备，主要通过将模型打包封装到软件开发工具包(Software Development Kit，SDK)，集成到嵌入式设备，数据的处理和模型推理都在终端设备上执行。在打包之前，也还需要令模型不断的学习优化，直至满足预设条件。并且在学习过程中，需要不断向模型输入带标签的图像，然而图像的标注通常由人工完成，由于所需带标签的图像较多，这也意味着人工标注的成本较大。

技术实现思路

[0003]基于此，有必要针对上述问题，提供特征检测方法、模型训练方法、设备和介质，以解决人工标注的成本较大的问题。
[0004]一种特征检测模型的训练方法，所述特征检测模型包括已经收敛的教师模型和未收敛的学生模型，所述教师模型和所述学生模型的网络结构相同，所述方法包括：
>[0005]获取多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特征检测模型的训练方法，其特征在于，所述特征检测模型包括已经收敛的教师模型和未收敛的学生模型，所述教师模型和所述学生模型的网络结构相同，所述方法包括：获取多个未携带标签的人脸训练图像，将第一人脸图像输入所述教师模型，获取所述教师模型输出的第一特征信息，并将所述第一特征信息作为所述第一人脸图像的标签；其中，所述第一人脸图像为所述多个未携带标签的人脸训练图像中的任意一个；将携带有标签的第一人脸图像输入所述学生模型，获取所述学生模型输出的第二特征信息；通过预设的蒸馏损失函数，根据所述第一特征信息和所述第二特征信息计算蒸馏损失，根据所述蒸馏损失调整所述学生模型的参数，返回执行所述将第一人脸图像输入所述教师模型的步骤，直至所述学生模型收敛。2.根据权利要求1所述的方法，其特征在于，所述第一特征信息和所述第二特征信息均包括特征严重程度及置信度，所述蒸馏损失函数包括软标签损失函数及硬标签损失函数，所述通过预设的蒸馏损失函数，根据所述第一特征信息和所述第二特征信息计算蒸馏损失，包括：通过所述软标签损失函数，根据所述第一特征信息中的特征严重程度和所述第二特征信息中的特征严重程度计算软标签损失；通过所述硬标签损失函数，根据所述第一特征信息中的置信度与所述第二特征信息中的特征严重程度计算硬标签损失；计算第一权重与所述软标签损失的第一乘积，及第二权重与所述硬标签损失的第二乘积，将所述第一乘积与所述第二乘积的和作为所述蒸馏损失；其中，所述第一权重与所述第二权重的和为1。3.根据权利要求2所述的方法，其特征在于，所述软标签损失函数的公式为：其中，N为特征严重程度的总程度数；为所述第一特征信息中的特征严重程度，指示在温度＝T的情况下，第一特征信息中的特征严重程度在程度j上的值；为所述第二特征信息中的特征严重程度，指示在温度＝T的情况下，第二特征信息中的特征严重程度在程度j上的值。4...

【专利技术属性】
技术研发人员：曾梦萍，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：