[發明專利]一種目標檢測方法、裝置、機器可讀介質及設備

有效

• 申請號: 202011077883.8
• 申請日: 2020-10-10
• 公開（公告）號: CN112200318B
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 姚志強;周曦;李連強;梁俊文
• 申請（專利權）人: 廣州云從人工智能技術有限公司
• 主分類號: G06N5/02
• 分類號: G06N5/02;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 代玲

1.一種目標檢測方法，其特征在于，包括：

構建教師網絡和學生網絡；其中所述學生網絡的參數量小于所述教師網絡的參數量；

通過樣本圖像集訓練所述教師網絡；

從訓練后的教師網絡的隱含層中提取特征圖的核心；

采用知識蒸餾提取與所述特征圖的核心對應的知識，并將所述知識遷移到與教師網絡的隱含層相對應的所述學生網絡的隱含層中，其中，特征圖的核心為特征圖中的一個或多個特征；

通過樣本圖像集訓練經過知識蒸餾得到的學生網絡；

通過訓練后的學生網絡對輸入的圖像進行目標檢測；

所述知識包括關系知識，所述關系知識包括：教師網絡針對單個樣本圖像產生的特征圖的核心之間的差異性，以及教師網絡針對多個樣本圖像產生的特征圖的核心之間的相似性；

通過最小化第二目標函數將教師網絡的關系知識遷移至學生網絡，所述第二目標函數為：

L_RL為第二目標函數，表示教師網絡隱含層的特征圖的核心，表示學生網絡隱含層的特征圖的核心，ψ為樣本圖像集，表示針對樣本圖像i教師網絡隱含層的特征圖的核心和針對樣本圖像j教師網絡隱含層的特征圖的核心之間的相似性，表示針對樣本圖像i學生網絡隱含層的特征圖的核心和針對樣本圖像j學生網絡隱含層的特征圖的核心之間的相似性，表示標準化后的表示標準化后的

2.根據權利要求1所述的目標檢測方法，其特征在于，所述知識包括度量知識，所述度量知識為：所述教師網絡隱含層的特征圖的核心的度量大小與所述學生網絡中對應的隱含層的特征圖的核心的度量大小。

3.根據權利要求2所述的目標檢測方法，其特征在于，通過最小化第一目標函數將教師網絡的度量知識遷移至學生網絡中，所述第一目標函數為：

L_ML為第一目標函數，表示教師網絡隱含層的特征圖的核心，表示學生網絡隱含層的特征圖的核心，ψ為樣本圖像集，表示標準化后的教師網絡隱含層的特征圖的核心，表示標準化后的學生網絡隱含層的特征圖的核心。

4.根據權利要求1所述的目標檢測方法，其特征在于，通過與所述教師網絡相關聯的第一自編碼器從所述教師網絡的隱含層中提取特征圖的核心；通過與所述學生網絡相關聯的第二自編碼器從所述學生網絡的隱含層中提取特征圖的核心。

5.根據權利要求4所述的目標檢測方法，其特征在于，所述第一自編碼器從所述教師網絡的隱含層中的最后一層卷積層提取特征圖的核心；所述第二自編碼器從所述學生網絡的隱含層中的最后一層卷積層提取特征圖的核心。

6.一種目標檢測裝置，其特征在于，包括：

網絡構建模塊，用于構建教師網絡和學生網絡；其中所述學生網絡的參數量小于所述教師網絡的參數量；

第一訓練模塊，用于通過樣本圖像集訓練所述教師網絡；

特征圖的核心提取模塊，用于從訓練后的教師網絡的隱含層中提取特征圖的核心；

知識蒸餾模塊，用于采用知識蒸餾提取與所述特征圖的核心對應的知識，并將所述知識遷移到與教師網絡的隱含層相對應的所述學生網絡的隱含層中，其中，特征圖的核心為特征圖中的一個或多個特征；

第二訓練模塊，用于通過樣本圖像集訓練經過知識蒸餾得到的學生網絡；

目標檢測模塊，用于通過訓練后的學生網絡對輸入的圖像進行目標檢測；

所述知識還包括關系知識，所述關系知識包括：教師網絡針對單個樣本圖像產生的特征圖的核心之間的差異性，以及教師網絡針對多個樣本圖像產生的特征圖的核心之間的相似性；

通過最小化第二目標函數將教師網絡的關系知識遷移至學生網絡，所述第二目標函數為：

L_RL為第二目標函數，表示教師網絡隱含層的特征圖的核心，表示學生網絡隱含層的特征圖的核心，ψ為樣本圖像集，表示針對樣本圖像i教師網絡隱含層的特征圖的核心和針對樣本圖像j教師網絡隱含層的特征圖的核心之間的相似性，表示針對樣本圖像i學生網絡隱含層的特征圖的核心和針對樣本圖像j學生網絡隱含層的特征圖的核心之間的相似性，表示標準化后的表示標準化后的