【技术实现步骤摘要】
目标检测模型训练方法、设备及计算机可读存储介质
[0001]本申请涉及图像处理
,特别是涉及一种基于知识蒸馏的目标检测模型训练方法、设备及计算机可读存储介质。
技术介绍
[0002]目标检测技术被广泛应用于监控领域,例如应用于行人检测、车辆检测、车牌检测、交通标志检测等等。目前,大多目标检测方法依据目标检测模型实现。相对于小的目标检测模型,大的目标检测模型的检测精度高,但是不管是训练还是应用,均需要更多的存储及计算开销。
[0003]将知识蒸馏应用于目标检测模型的训练,能够解决上述问题,以更小的存储及计算开销,得到更好的检测精度。具体来说,知识蒸馏是利用训练好大的目标检测模型(目标检测教师模型)学习到的知识,去训练小的目标检测模型(目标检测学生模型),从而将目标检测教师模型学习到的知识传递到目标检测学生模型的网络结构中,最后将目标检测学生模型投入应用。但是,目前的基于知识蒸馏的目标检测模型训练方法,得到的目标检测学生模型的目标检测能力不够高。
技术实现思路
[0004]本申请提供一种基于知识蒸馏的目标检测模型训练方法、设备及计算机可读存储介质,能够解决目前的基于知识蒸馏的目标检测模型训练方法,得到的目标检测学生模型的目标检测能力不够高的问题。
[0005]为解决上述技术问题,本申请采用的一个技术方案是:提供一种基于知识蒸馏的目标检测模型训练方法。该方法包括:获取样本图像,样本图像包括用于对若干个目标进行检测的若干个正类锚框;分别利用目标检测学生模型和目标检测教师模型对样本图像进行 ...
【技术保护点】
【技术特征摘要】
1.一种基于知识蒸馏的目标检测模型训练方法,其特征在于,包括:获取样本图像,所述样本图像包括用于对若干个目标进行检测的若干个正类锚框;分别利用目标检测学生模型和目标检测教师模型对所述样本图像进行目标检测,对应得到第一目标检测结果和第二目标检测结果,所述第一目标检测结果和所述第二目标检测结果包括各所述正类锚框为前景框的概率;基于第一概率分布和第二概率分布之间的差异,构建第一蒸馏损失,所述第一概率分布表征所述第一目标检测结果中各所述正类锚框为前景框的概率的分布特征,所述第二概率分布表征所述第二目标检测结果中各所述正类锚框为前景框的概率的分布特征;至少基于所述第一蒸馏损失,调整所述目标检测学生模型的参数。2.根据权利要求1所述的方法,其特征在于,在所述基于第一概率分布和第二概率分布之间的差异,构建第一蒸馏损失之前,还包括:对所述第一目标检测结果中各所述正类锚框为前景框的概率进行整合,整合后的所述第一目标检测结果中各所述正类锚框为前景框的概率处在预设的概率范围;将整合后的所述第一目标检测结果中各所述正类锚框为前景框的概率的分布特征,确定为所述第一概率分布。3.根据权利要求1所述的方法,其特征在于,在所述基于第一概率分布和第二概率分布之间的差异,构建第一蒸馏损失之前,还包括:对所述第二目标检测结果中各所述正类锚框为前景框的概率进行整合,整合后的所述第二目标检测结果中各所述正类锚框为前景框的概率处在预设的概率范围;将整合后的所述第二目标检测结果中各所述正类锚框为前景框的概率的分布特征,确定为所述第二概率分布。4.根据权利要求1所述的方法,其特征在于,所述方法还包括:分别利用所述目标检测学生模型和所述目标检测教师模型对所述样本图像进行特征提取,对应得到第一特征图和第二特征图;获取所述第一特征图和所述第二特征图之间各个像素点的特征差异值,所述像素点的特征差异值为所述像素点在所述第一特征图中的特征与在所述第二特征图中的特征之间的差异值;获取各个所述像素点的权重;基于各个所述像素点的权重对各个所述像素点的特征差异值进行加权处理,得到加权处理结果;基于所述加权处理结果构建第二蒸馏损失;所述至少基于所述第一蒸馏损失,调整所述目标检测学生模型的参数,包括:基于所述第一蒸馏损失和所述第二蒸馏损失,调整所述目标检测学生模型的参数。5.根据权利要求4所述的方法,其特征在于,所述获取各个所述像素点的权重,包括:基于各个所述像素点在所述样本图像中的区域,获取各个所述像素点的第一权重影响值;其中,所述像素点的权重与所述像素点的第一权重影响值正相关,前景区域的像素点的第一权重影响值大于背景区域的像素点的第一权重影响值;至少基于各个所述像素点的第一权重影响值,获取各个所述像素点的权重。6.根据权利要求5所述的方法,其特征在于,所述第一目标检测结果包括所述第一特征
图中各...
【专利技术属性】
技术研发人员:程博,刘天赐,邵明,
申请(专利权)人:浙江大华技术股份有限公司,
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。