一种图像特征的识别方法、装置、设备和介质制造方法及图纸

本申请实施例公开了一种图像特征的识别方法、装置、设备和介质，利用选取的教师网络模型和学生网络模型分别对样本图像进行特征提取，得到教师特征和学生特征；基于教师特征、学生特征和迭代次数对应的比值，确定出显著性阈值；依据显著性阈值确定出教师显著性信息和学生显著性信息。利用教师特征、学生特征、教师显著性信息、学生显著性信息，对学生网络模型进行训练，得到训练好的学生网络模型。利用该学生网络模型对待处理图像进行分析，识别出待处理图像包含的特征。利用显著性阈值去生成显著性信息，提升了图像特征挖掘的深度。利用显著性信息指导学生网络模型去模仿教师网络模型的显著性信息，有效的提升了学生网络模型的检测精度。测精度。测精度。

【技术实现步骤摘要】
一种图像特征的识别方法、装置、设备和介质


[0001]本申请涉及深度学习
，特别是涉及一种图像特征的识别方法、装置、设备和计算机可读存储介质。

技术介绍

[0002]基于深度学习的算法在图像处理、语音识别和自然语言处理等众多领域取得了成功。伴随着深度学习技术在学术界的发展，基于深度学习技术的各类人工智能产品也在产业界实现了落地。如今，具有智能功能的设备被广泛地应用到各种实际场景中，例如：自动驾驶、智能音箱、自动翻译等。
[0003]在产业界，为了获得高性能的神经网络模型，工程师通常利用深度达到几十层甚至上百层的神经网络作为主干网络(backbonenetwork)来设计神经网络模型。然而，部署这些高精度神经网络模型到资源受限的设备上执行实时应用任务是非常具有挑战性的。在实际应用中，为了实时完成指定任务，例如目标检测、场景分类等，应用服务器需要搭载高性能的GPU(General Processing Unit，通用处理器) 来完成模型推理任务。当服务器上面没有搭载高性能的GPU卡的情况下，这些应用将受到限制。r/>[0004]为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像特征识别方法，其特征在于，包括：利用选取的教师网络模型和学生网络模型分别对样本图像进行特征提取，得到教师特征和学生特征；基于所述教师特征、所述学生特征和迭代次数对应的比值，确定出显著性阈值；依据所述显著性阈值确定出所述教师特征对应的教师显著性信息以及所述学生特征对应的学生显著性信息；利用所述教师特征、所述学生特征、所述教师显著性信息、所述学生显著性信息，对所述学生网络模型进行训练；利用训练好的学生网络模型对待处理图像进行分析，以识别出所述待处理图像包含的特征。2.根据权利要求1所述的图像特征识别方法，其特征在于，所述利用选取的教师网络模型和学生网络模型分别对样本图像进行特征提取，得到教师特征和学生特征包括：在获取到识别任务的情况下，选取与所述识别任务相匹配的教师网络模型和学生网络模型；利用所述教师网络模型和所述学生网络模型分别对样本图像进行特征提取，得到教师特征和学生特征。3.根据权利要求1所述的图像特征识别方法，其特征在于，所述基于所述教师特征、所述学生特征和迭代次数对应的比值，确定出显著性阈值包括：统计所述教师特征的第一数据分布以及所述学生特征的第二数据分布；利用所述第一数据分布与当前迭代次数对应的比值，确定出所述教师网络对应的第一显著性阈值；利用所述第二数据分布与当前迭代次数对应的比值，确定出所述学生网络对应的第二显著性阈值。4.根据权利要求3所述的图像特征识别方法，其特征在于，所述依据所述显著性阈值确定出所述教师特征对应的教师显著性信息以及所述学生特征对应的学生显著性信息包括：将所述教师特征中小于所述第一显著性阈值的特征值调整为零，将调整后的教师特征作为教师显著性信息；将所述学生特征中小于所述第二显著性阈值的特征值调整为零，将调整后的学生特征作为学生显著性信息。5.根据权利要求1所述的图像特征识别方法，其特征在于，所述利用所述教师特征、所述学生特征、所述教师显著性信息、所述学生显著性信息，对所述学生网络模型进行训练包括：根据所述教师特征、所述学生特征、所述教师显著性信息和所述学生显著性信息，...

【专利技术属性】
技术研发人员：温东超，梁玲燕，葛沅，史宏志，赵雅倩，
申请(专利权)人：浪潮北京电子信息产业有限公司，
类型：发明
国别省市：