目标学生网络模型训练方法及低分辨率图像识别方法技术

本申请提供一种目标学生网络模型训练方法，包括将高分辨率图像输入至初始学生网络模型和目标协助网络模型，得到对应的第一中间特征和第二中间特征；将第一中间特征和第二中间特征输入第一损失函数，得到第一损失值；将低分辨率图像输入至初始学生网络模型，通过FSR

【技术实现步骤摘要】
目标学生网络模型训练方法及低分辨率图像识别方法


[0001]本申请涉及图像识别
，尤其涉及一种目标学生网络模型训练方法、低分辨率图像识别方法、装置、设备及存储介质。

技术介绍

[0002]在过去的几年中，从使用手工特征的传统掌纹识别方法到能够从输入数据中自动学习特征表示的深度学习方法，图像识别方法已经有较大提升。但是，在实际应用中，CNN(Convolutional Neural Networks，卷积神经网络)总是无法在恶劣的条件如低分辨率、低亮度和复杂背景下处理视觉理解任务，且很难容易地装备在边缘计算设备上，如智能手机、嵌入式设备、小型无人机等。这是因为这些方法通常是由复杂的网络架构设计的，并在大规模的高质量的训练图像上学习。然而，边缘计算设备在计算容量和内存使用方面受到限制，它们可能会捕获自然的低分辨率的图像。
[0003]因此，如何增强对低分辨率图像的识别效果，成为需要解决的问题。
[0004]在
技术介绍
中公开的上述信息仅用于加强对本申请的背景的理解，因此其可能包含没有形成为本领域普通技术人员所知晓的现有技术的信息。

技术实现思路

[0005]本申请提供一种目标学生网络模型训练方法、低分辨率图像识别方法、装置、设备及存储介质，用以解决现有技术存在的问题。
[0006]第一方面，本申请提供一种目标学生网络模型训练方法，包括以下步骤：
[0007]S11、将高分辨率图像输入至初始学生网络模型和目标协助网络模型，所述初始学生网络模型得到第一中间特征，所述目标协助网络模型得到第二中间特征；
[0008]S12、将所述第一中间特征和所述第二中间特征输入第一损失函数，得到第一损失值，所述第一损失函数用于使所述初始学生网络模型模拟所述目标协助网络模型的第二中间特征；
[0009]S13、将低分辨率图像输入至所述初始学生网络模型，通过卷积层中的FSR
‑
W模块得到第三中间特征，所述第三中间特征通过预测损失函数，得到所述初始学生网络模型的第一预测损失值；
[0010]S14、基于所述第一损失值和所述第一预测损失值，对所述初始学生网络模型进行训练，得到目标学生网络模型。
[0011]在一些实施例中，所述目标协助网络模型的训练过程，包括以下步骤：
[0012]S101、将高分辨率图像输入至目标教师网络模型，通过卷积层，得到第四中间特征；
[0013]S102、将高分辨率图像输入至初始协助网络模型，通过卷积层，得到第五中间特征；
[0014]S103、计算所述第四中间特征和所述第五中间特征之间的损失，得到特征损失值；
[0015]S104、所述初始协助网络模型根据所述特征损失值，得到协助预测分数；
[0016]S105、基于所述目标教师网络模型生成的教师预测分数和所述协助预测分数，计算得到第二预测损失值；
[0017]S106、根据所述第二预测损失值对所述初始协助网络模型进行回归训练，得到目标协助网络模型。
[0018]在一些实施例中，所述通过卷积层中的FSR
‑
W模块得到第三中间特征，包括以下步骤：
[0019]S131、所述低分辨率图像的中间特征进入所述FSR
‑
W模块，所述中间特征包括目标特征图；
[0020]S132、对所述中间特征进行上采样处理，得到上采样特征图；
[0021]S133、计算所述目标特征图和所述上采样特征图的残差，得到残差特征图；
[0022]S134、根据所述目标协助网络模型的所述第二中间特征，得到权重图；
[0023]S135、将所述上采样特征图、所述残差特征图和所述权重图相加，得到第三中间特征。
[0024]在一些实施例中，所述目标教师网络模型的训练过程，包括：
[0025]将高分辨率图像输入初始教师网络模型，对所述初始教师网络模型进行回归训练，得到目标教师网络模型。
[0026]第二方面，本申请提供一种低分辨率图像识别方法，包括以下步骤：
[0027]S21、获取待识别图像，所述待识别图像为低分辨率图像；
[0028]S22、将待识别图像输入至目标学生网络模型中进行识别处理，得到图像识别结果；
[0029]其中，所述目标学生网络模型通过目标协助网络模型训练得到，且所述目标学生网络模型包括FSR
‑
W模块。
[0030]在一些实施例中，所述FSR
‑
W模块为高频内容特征超分辨率模块，用于减少由低分辨率图像造成的性能差异。
[0031]第三方面，本申请提供一种目标学生网络模型训练装置，包括：
[0032]输入模块，用于将高分辨率图像输入至初始学生网络模型和目标协助网络模型，所述初始学生网络模型得到第一中间特征，所述目标协助网络模型得到第二中间特征；
[0033]第一处理模块，用于将所述第一中间特征和所述第二中间特征输入第一损失函数，得到第一损失值，所述第一损失函数用于使所述初始学生网络模型模拟所述目标协助网络模型的第二中间特征；
[0034]第二处理模块，用于将低分辨率图像输入至所述初始学生网络模型，通过卷积层中的FSR
‑
W模块得到第三中间特征，所述第三中间特征通过预测损失函数，得到所述初始学生网络模型的第一预测损失值；
[0035]训练模块，用于基于所述第一损失值和所述第一预测损失值，对所述初始学生网络模型进行训练，得到目标学生网络模型。
[0036]第四方面，本申请提供一种低分辨率图像识别装置，包括：
[0037]获取模块，用于获取待识别图像，所述待识别图像为低分辨率图像；
[0038]识别模块，用于将待识别图像输入至目标学生网络模型中进行识别处理，得到图
像识别结果；其中，所述目标学生网络模型通过目标协助网络模型训练得到，且所述目标学生网络模型包括FSR
‑
W模块。
[0039]第五方面，本申请提供一种终端设备，包括：
[0040]存储器，用于存储计算机程序；
[0041]处理器，用于读取所述存储器中的计算机程序并执行所述的低分辨率图像识别方法对应的操作。
[0042]第六方面，本申请还提供一种计算机可读存储介质所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现所述的低分辨率图像识别方法。
[0043]本申请提供的目标学生网络模型训练方法，包括以下步骤：将高分辨率图像输入至初始学生网络模型和目标协助网络模型，所述初始学生网络模型得到第一中间特征，所述目标协助网络模型得到第二中间特征；将所述第一中间特征和所述第二中间特征输入第一损失函数，得到第一损失值，所述第一损失函数用于使所述初始学生网络模型模拟所述目标协助网络模型的第二中间特征；将低分辨率图像输入至所述初始学生网络模型，通过卷积层中的FSR
‑
W模块得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标学生网络模型训练方法，其特征在于，包括以下步骤：S11、将高分辨率图像输入至初始学生网络模型和目标协助网络模型，所述初始学生网络模型得到第一中间特征，所述目标协助网络模型得到第二中间特征；S12、将所述第一中间特征和所述第二中间特征输入第一损失函数，得到第一损失值，所述第一损失函数用于使所述初始学生网络模型模拟所述目标协助网络模型的第二中间特征；S13、将低分辨率图像输入至所述初始学生网络模型，通过卷积层中的FSR
‑
W模块得到第三中间特征，所述第三中间特征通过预测损失函数，得到所述初始学生网络模型的第一预测损失值；S14、基于所述第一损失值和所述第一预测损失值，对所述初始学生网络模型进行训练，得到目标学生网络模型。2.根据权利要求1所述的目标学生网络模型训练方法，其特征在于，所述目标协助网络模型的训练过程，包括以下步骤：S101、将高分辨率图像输入至目标教师网络模型，通过卷积层，得到第四中间特征；S102、将高分辨率图像输入至初始协助网络模型，通过卷积层，得到第五中间特征；S103、计算所述第四中间特征和所述第五中间特征之间的损失，得到特征损失值；S104、所述初始协助网络模型根据所述特征损失值，得到协助预测分数；S105、基于所述目标教师网络模型生成的教师预测分数和所述协助预测分数，计算得到第二预测损失值；S106、根据所述第二预测损失值对所述初始协助网络模型进行回归训练，得到目标协助网络模型。3.根据权利要求1所述的目标学生网络模型训练方法，其特征在于，所述通过卷积层中的FSR
‑
W模块得到第三中间特征，包括以下步骤：S131、所述低分辨率图像的中间特征进入所述FSR
‑
W模块，所述中间特征包括目标特征图；S132、对所述中间特征进行上采样处理，得到上采样特征图；S133、计算所述目标特征图和所述上采样特征图的残差，得到残差特征图；S134、根据所述目标协助网络模型的所述第二中间特征，得到权重图；S135、将所述上采样特征图、所述残差特征图和所述权重图相加，得到第三中间特征。4.根据权利要求2所述的目标学生网络模型训练方法，其特征在于，所述目标教师网络模型的训练过程，包括：将高分辨率图像输入初始教师网络模型，对所述初始教师网络...

【专利技术属性】
技术研发人员：颜丹，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：