目标检测方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种目标检测方法，包括：通过待训练教师模型和待训练学生模型，分别对样本图像中的待检测目标进行目标检测，得到教师预测框、教师预测分类信息、学生预测框和学生预测分类信息；根据教师预测框、学生预测框、教师预测分类信息、学生预测分类信息、样本图像的标注框和标注分类信息，确定分类损失；根据教师预测框、学生预测框和标注框，分别确定指导损失函数和被指导损失函数，并确定指导目标和被指导目标，提取指导特征和被指导特征；根据指导特征和被指导特征，确定蒸馏损失；根据分类损失和蒸馏损失，确定对待检测图像进行目标检测的目标检测模型；目标检测模型用于对待检测图像进行目标检测。提高了目标检测模型的模型准确度。模型准确度。模型准确度。

【技术实现步骤摘要】
目标检测方法、装置、设备和存储介质


[0001]本专利技术实施例涉及计算机领域，尤其涉及目标检测方法、装置、设备和存储介质。

技术介绍

[0002]目前随着深度学习目标检测方法在各个工业领域被广泛应用，目标检测网络也得到迅速发展，目标检测网络的网络结构逐渐复杂，且网络参数逐渐变大，使得目标检测网络对硬件设备的要求不断提高。因此，衍生出知识蒸馏方法，知识蒸馏方法采用复杂的目标检测网络作为教师模型，引导简单的目标检测网络即学生模型进行模型训练。但是在模型训练过程中，教师模型不参与训练过程，且教师模型和学生模型的在训练过程中的引导角色和被引导角色固定不变，导致学生模型检测能力在训练过程中不断提高，而教师模型的模型检测能力在训练过程中不会产生变化。因此，如何在通过知识蒸馏方法进行模型训练时，使学生模型和教师模型的模型检测能力均能够在模型训练过程中得到提升，是需要解决的问题。

技术实现思路

[0003]本专利技术提供了目标检测方法、装置、设备和存储介质，可以使待训练教师模型和待训练学生模型同时进行模型训练，使得待训练教师模型和待训练学生模型的检测能力在训练过程中均能够不断提高。
[0004]根据本专利技术的一方面，提供了一种目标检测方法，包括：
[0005]通过待训练教师模型和待训练学生模型，分别对样本图像中的待检测目标进行目标检测，得到教师预测框、教师预测分类信息、学生预测框和学生预测分类信息；
[0006]根据所述教师预测框、所述学生预测框、所述教师预测分类信息、所述学生预测分类信息、所述样本图像的标注框和所述样本图像的标注分类信息，确定分类损失；
[0007]根据教师预测框、学生预测框和所述样本图像的标注框，分别确定指导损失函数和被指导损失函数；
[0008]根据所述指导损失函数确定指导目标，提取所述指导目标的指导特征，且根据被指导损失函数确定被指导目标，提取所述被指导目标的被指导特征；指导目标和被指导目标为不同的待检测目标；
[0009]根据所述指导特征和所述被指导特征，确定蒸馏损失；
[0010]根据所述分类损失和所述蒸馏损失，对待训练教师模型和待训练学生模型进行训练，根据训练结果确定目标检测模型；所述目标检测模型用于对待检测图像进行目标检测，以从所述待检测图像的候选检测目标中确定违禁物品对应的违禁物目标，并确定所述违禁物目标的类别信息和位置信息。
[0011]根据本专利技术的另一方面，提供了一种目标检测装置，该装置包括：
[0012]目标检测模块，用于通过待训练教师模型和待训练学生模型，分别对样本图像中的待检测目标进行目标检测，得到教师预测框、教师预测分类信息、学生预测框和学生预测
分类信息；
[0013]分类损失确定模块，用于根据所述教师预测框、所述学生预测框、所述教师预测分类信息、所述学生预测分类信息、所述样本图像的标注框和所述样本图像的标注分类信息，确定分类损失；
[0014]损失函数确定模块，用于根据教师预测框、学生预测框和所述样本图像的标注框，分别确定指导损失函数和被指导损失函数；
[0015]指导特征确定模块，用于根据所述指导损失函数确定指导目标，提取所述指导目标的指导特征，且根据被指导损失函数确定被指导目标，提取所述被指导目标的被指导特征；指导目标和被指导目标为不同的待检测目标；
[0016]蒸馏损失确定模块，用于根据所述指导特征和所述被指导特征，确定蒸馏损失；
[0017]目标检测模型确定模块，用于根据所述分类损失和所述蒸馏损失，对待训练教师模型和待训练学生模型进行训练，根据训练结果确定目标检测模型；所述目标检测模型用于对待检测图像进行目标检测，以从所述待检测图像的候选检测目标中确定违禁物品对应的违禁物目标，并确定所述违禁物目标的类别信息和位置信息。
[0018]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0019]至少一个处理器；以及
[0020]与所述至少一个处理器通信连接的存储器；其中，
[0021]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的目标检测方法。
[0022]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的目标检测方法。
[0023]本专利技术实施例的技术方案，通过待训练教师模型和待训练学生模型，分别对样本图像中的待检测目标进行目标检测，得到教师预测框、教师预测分类信息、学生预测框和学生预测分类信息；根据教师预测框、学生预测框、教师预测分类信息、学生预测分类信息、样本图像的标注框和样本图像的标注分类信息，确定分类损失；根据教师预测框、学生预测框和样本图像的标注框，分别确定指导损失函数和被指导损失函数；根据指导损失函数确定指导目标，提取指导目标的指导特征，且根据被指导损失函数确定被指导目标，提取被指导目标的被指导特征；指导目标和被指导目标为不同的待检测目标；根据指导特征和被指导特征，确定蒸馏损失；根据分类损失和蒸馏损失，对待训练教师模型和待训练学生模型进行训练，根据训练结果确定目标检测模型；目标检测模型用于对待检测图像进行目标检测，以从待检测图像的候选检测目标中确定违禁物品对应的违禁物目标，并确定违禁物目标的类别信息和位置信息。解决了在教师模型和学生模型的训练过程中，只有学生模型参与训练，导致教师模型的检测能力无法在训练过程中得到提高的问题。上述方案，实现了在训练目标检测模型时，使待训练教师模型和待训练学生模型同时进行模型训练，使得待训练教师模型和待训练学生模型的检测能力在训练过程中均能够不断提高，提高了对待训练教师模型和待训练学生模型进行模型训练的灵活性，以及待训练学生模型的鲁棒性，同时提高了目标检测模型的模型精确度。采用目标检测模型对待检测图像进行目标检测，可以提高对
待检测图像的检测效率，同时提高获取的违禁物目标的类别信息和位置信息的准确性。
[0024]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0025]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1为本专利技术实施例一提供的一种目标检测方法的流程图；
[0027]图2为本专利技术实施例二提供的一种目标检测方法的流程图；
[0028]图3为本专利技术实施例三提供的一种目标检测方法的流程图；
[0029]图4为本专利技术实施例四提供的一种目标检测装置的结构示意图；
[0030]图5为本专利技术实施例五提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：通过待训练教师模型和待训练学生模型，分别对样本图像中的待检测目标进行目标检测，得到教师预测框、教师预测分类信息、学生预测框和学生预测分类信息；根据所述教师预测框、所述学生预测框、所述教师预测分类信息、所述学生预测分类信息、所述样本图像的标注框和所述样本图像的标注分类信息，确定分类损失；根据教师预测框、学生预测框和所述样本图像的标注框，分别确定指导损失函数和被指导损失函数；根据所述指导损失函数确定指导目标，提取所述指导目标的指导特征，且根据被指导损失函数确定被指导目标，提取所述被指导目标的被指导特征；指导目标和被指导目标为不同的待检测目标；根据所述指导特征和所述被指导特征，确定蒸馏损失；根据所述分类损失和所述蒸馏损失，对待训练教师模型和待训练学生模型进行训练，根据训练结果确定目标检测模型；所述目标检测模型用于对待检测图像进行目标检测，以从所述待检测图像的候选检测目标中确定违禁物品对应的违禁物目标，并确定所述违禁物目标的类别信息和位置信息。2.根据权利要求1所述的方法，其特征在于，还包括：若所述目标检测模型对应的待训练学生模型的模型准确率大于准确率阈值，则将所述目标检测模型对应的待训练学生模型作为下一轮模型训练过程中的待训练教师模型。3.根据权利要求1所述的方法，其特征在于，根据所述教师预测框、所述学生预测框、所述教师预测分类信息、所述学生预测分类信息、所述样本图像的标注框和所述样本图像的标注分类信息，确定分类损失，包括：根据所述教师预测分类信息、所述学生预测分类信息、所述教师预测框和所述样本图像的标注框的第一交并比，以及所述学生预测框和所述样本图像的标注框的第二交并比，对所述样本图像的标注分类信息进行调整，得到调整后的标注分类信息；根据调整后的标注分类信息，确定分类损失。4.根据权利要求3所述的方法，其特征在于，根据所述教师预测分类信息、所述学生预测分类信息、所述教师预测框和所述样本图像的标注框的第一交并比，以及所述学生预测框和所述样本图像的标注框的第二交并比，对所述样本图像的标注分类信息进行调整，得到调整后的标注分类信息，包括：若所述教师预测类别和所述学生预测类别一致，且所述教师置信度和所述学生置信度均大于置信度阈值，则确定所述教师预测框和所述学生预测框的预测框交并比；若所述预测框交并比大于第一阈值，且所述教师预测框和样本图像的标注框的第一交并比以及所述学生预测框和所述样本图像的标注框的第二交并比均大于或等于第二阈值，则根据所述教师预测分类信息和所述学生预测分类信息，对所述样本图像的标注分类信息进行调整，得到调整后的标注分类信息。5.根据权利要求1所述的方法，其特征在于，根据所述指导特征和所述被指导特征，确定蒸馏损失，包括：确定所述指导特征的特征损失函数和被指导特征的特征损失函数之间的特征损失函数，以及所述指导特征的特征相关性和所述被指导特征的特征相关性之间的相关性差值；
根据所述特征损失函数和所述相关性差值，确定蒸馏损失。6.根据权利要求1所述的方法，其特征在于，根据教师预测框、学生预测框和所述样本图像的标注框，分别确定指导损失函数和被指导损失函数，包括...

【专利技术属性】
技术研发人员：李林超，周凯，温婷，
申请(专利权)人：浙江啄云智能科技有限公司，
类型：发明
国别省市：