CN110781905A - 一种图像检测方法及装置 - Google Patents

一种图像检测方法及装置 Download PDF

Info

Publication number
CN110781905A
CN110781905A CN201911024866.5A CN201911024866A CN110781905A CN 110781905 A CN110781905 A CN 110781905A CN 201911024866 A CN201911024866 A CN 201911024866A CN 110781905 A CN110781905 A CN 110781905A
Authority
CN
China
Prior art keywords
network
region
resolution
feature
feature map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911024866.5A
Other languages
English (en)
Inventor
张水发
李岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN201911024866.5A priority Critical patent/CN110781905A/zh
Publication of CN110781905A publication Critical patent/CN110781905A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本公开关于一种图像检测方法及装置，通过获取预先训练的第二网络，获取第一分辨率的样本图像，其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率，对第一网络进行训练，得到训练好的第一网络，以通过训练好的第一网络进行图像检测，从而可以减小图像检测过程中网络模型的计算量，提高计算速度。

Description

一种图像检测方法及装置
技术领域
本公开涉及图像管理的技术领域，尤其涉及一种图像检测方法及装置。
背景技术
相关技术中，图像对象检测在人脸识别、医学影像、智能视频监控、机器人导航、基于内容的图像检索、基于图像的绘制技术、图像编辑和增强现实等领域都有广泛的应用。图像对象检测时，通过利用图像处理与模式识别等领域的理论和方法，从图像中定位感兴趣的图形以及字符等目标，这需要准确地判断每个目标的具体类别，并给出每个目标的边界框等。
然而在图像检测中，由于往往存在较小的字或图像。因此，检测时就需要输入较大的图像，大大降低了检测速度。而在很多需要实时处理的情况下，对图像检测的使用受到了很大的限制。特别是移动端，由于芯片处理能力较差，当输入图像分辨率太大时，大量的计算量不仅需要更多的处理时间，对芯片的功率需求也更大。因此，如何提高算法的速度，同时不降低准确率和召回率成为研究一个重点。
发明内容
本公开提供一种图像检测方法及装置，以至少解决相关技术中检测速度低的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种图像检测方法，包括：
获取预先训练的第二网络，获取第一分辨率的样本图像，其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率；
通过待训练的第一网络的特征提取层，提取第一分辨率的样本图像的第一特征图；
对第一特征图进行上采样，得到第二分辨率的上采样特征图；
将上采样特征图输入第一网络的预设区域生成层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络的建议检测框；
通过第一网络的建议检测框获取上采样特征图的第一特征区域；
将第一特征区域输入到第一网络的感兴趣区域池化层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络针对样本图像的分类结果；
根据第一网络针对样本图像的分类结果，调整第一网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。
可选的，预先训练第二网络的步骤包括：
获取第二分辨率的样本图像；
通过第二网络的特征提取层，得到二分辨率的样本图像的第二特征图；
将第二特征图输入第二网络的预设区域生成层，得到第二网络的建议检测框；
通过第一网络的建议检测框获取第二特征图的第二特征区域；
将第二特征区域输入到第二网络的感兴趣区域池化层，得到第二网络针对样本图像的分类结果；
根据第二网络针对样本图像的分类结果，调整第二网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第二网络。
可选的，将上采样特征图输入第一网络的预设区域生成层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络的建议检测框，包括：
获取第二网络的预设区域生成层的第一分类标签，其中，第一分类标签是通过对第二特征图进行第三类别回归得到的分类标签；
将上采样特征图输入第一网络的预设区域生成层，通过将第一分类标签提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，对上采样特征图进行第一类别回归，并通过第一类别回归和第一检测框回归得到第一网络的建议检测框。
可选的，将第一特征区域输入到第一网络的感兴趣区域池化层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络针对样本图像的分类结果，包括：
获取第二网络的感兴趣区域池化层的第二分类标签，其中，第二分类标签是通过对第二特征区域进行第四类别回归得到的分类标签；
将第一特征区域输入第一网络的感兴趣区域池化层，通过将第二分类标签提取的特征信息作为第一网络的感兴趣区域池化层训练过程的参考信息，对第一特征区域进行第二类别回归，并通过第二类别回归和第二检测框回归得到第一网络针对样本图像的分类结果。
可选的，第一分辨率为第二分辨率的一半。
根据本公开实施例的第二方面，提供一种图像检测装置，包括：
样本获取模块，用于获取预先训练的第二网络，获取第一分辨率的样本图像，其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率；
特征图模块，用于通过待训练的第一网络的特征提取层，提取第一分辨率的样本图像的第一特征图；
上采样模块，用于对第一特征图进行上采样，得到第二分辨率的上采样特征图；
知识蒸馏模块，用于将上采样特征图输入第一网络的预设区域生成层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络的建议检测框；
特征区域模块，用于通过第一网络的建议检测框获取上采样特征图的第一特征区域；
图像分类模块，用于将第一特征区域输入到第一网络的感兴趣区域池化层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络针对样本图像的分类结果；
参数调整模块，用于根据第一网络针对样本图像的分类结果，调整第一网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。
可选的，预先训练第二网络的步骤包括：
获取第二分辨率的样本图像；
通过第二网络的特征提取层，得到二分辨率的样本图像的第二特征图；
将第二特征图输入第二网络的预设区域生成层，得到第二网络的建议检测框；
通过第一网络的建议检测框获取第二特征图的第二特征区域；
将第二特征区域输入到第二网络的感兴趣区域池化层，得到第二网络针对样本图像的分类结果；
根据第二网络针对样本图像的分类结果，调整第二网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第二网络。
可选的，知识蒸馏模块包括：
第一标签子模块，用于获取第二网络的预设区域生成层的第一分类标签，其中，第一分类标签是通过对第二特征图进行第三类别回归得到的分类标签；
第一训练子模块，用于将上采样特征图输入第一网络的预设区域生成层，通过将第一分类标签提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，对上采样特征图进行第一类别回归，并通过第一类别回归和第一检测框回归得到第一网络的建议检测框。
可选的，图像分类模块包括：
第二标签子模块，用于获取第二网络的感兴趣区域池化层的第二分类标签，其中，第二分类标签是通过对第二特征区域进行第四类别回归得到的分类标签；
第二训练子模块，用于将第一特征区域输入第一网络的感兴趣区域池化层，通过将第二分类标签提取的特征信息作为第一网络的感兴趣区域池化层训练过程的参考信息，对第一特征区域进行第二类别回归，并通过第二类别回归和第二检测框回归得到第一网络针对样本图像的分类结果。
可选的，第一分辨率为第二分辨率的一半。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储上述处理器可执行指令的存储器；
其中，上述处理器被配置为执行上述指令，以实现如上述任一项上述的图像检测方法。
根据本公开实施例的第四方面，提供一种存储介质，当上述存储介质中的指令由电子设备执行时，使得电子设备能够执行如上述任一项上述的图像检测方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，上述计算机程序产品运行时，以实现如上述任一项上述的图像检测方法。
本公开的实施例提供的技术方案至少带来以下有益效果：通过获取预先训练的第二网络，获取第一分辨率的样本图像，其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率，对第一网络进行训练，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。可以减小图像检测过程中网络模型的计算量，提高计算速度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种图像检测方法的第一种流程图。
图2是根据一示例性实施例示出的一种网络模型训练方法的流程图。
图3是根据一示例性实施例示出的一种图像检测方法的第二种流程图。
图4是根据一示例性实施例示出的一种图像检测装置的第一种框图。
图5是根据一示例性实施例示出的一种图像检测装置的第二种框图。
图6是根据一示例性实施例示出的一种用于图像检测的装置600的框图。
图7是根据一示例性实施例示出的一种存储介质示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开实施例的图像检测方法针对的是图像数据，可以通过智能终端设备执行，具体的，该智能终端设备可以为电脑或者服务器。
图1是根据一示例性实施例示出的一种图像检测方法的第一种流程图，如图1所示，图像检测方法用于图像检测中，包括以下步骤。
在步骤S11中，获取预先训练的第二网络，获取第一分辨率的样本图像。
其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率。本公开实施例的方法可以应用于教师学生网络模型，上述第二网络可以为教师网络模型。
通过所使用的第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，可以对第一网络模型进行训练，保证第一网络模型检测图像的准确性。
第二网络的训练过程可以参见相关技术中图像检测网络的训练过程，可选的，预先训练第二网络的步骤包括：
获取第二分辨率的样本图像；
通过第二网络的特征提取层，得到二分辨率的样本图像的第二特征图；
将第二特征图输入第二网络的预设区域生成层，得到第二网络的建议检测框；
通过第一网络的建议检测框获取第二特征图的第二特征区域；
将第二特征区域输入到第二网络的感兴趣区域池化层，得到第二网络针对样本图像的分类结果；
根据第二网络针对样本图像的分类结果，调整第二网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第二网络。
可选的，第一分辨率为第二分辨率的一半。
在步骤S12中，通过待训练的第一网络的特征提取层，提取第一分辨率的样本图像的第一特征图。
其中，本公开实施例的方法可以应用于教师学生网络模型，上述第二网络可以为教师网络，第一网络可以为学生网络，通过训练好的结构较为复杂的教师网络模型可以对学生网络模型的训练过程进行指导。第一网络的特征提取层可以为VGG16、InceptionV1、InceptionV2、resnet、Inception-resnet等。通过提取第一分辨率的样本图像的第一特征图，可以通过第一特征图对上述样本图像进行分类。
在步骤S13中，对第一特征图进行上采样，得到第二分辨率的上采样特征图。
其中，对第一特征图进行上采样，可以通过反卷积层进行对第一特征图进行上采样，得到第二分辨率的上采样特征图。
由于第一分辨率小于第二分辨率，通过第一分辨率样本图像的第一特征图进行上采样，可以得到与第二分辨率样本图像相同的特征图，可以通过第二网络便于对上述第一网络进行训练。
在步骤S14中，将上采样特征图输入第一网络的预设区域生成层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络的建议检测框。
其中，本公开实施例的方法可以应用于教师学生网络模型，将上采样特征图输入第一网络的预设区域生成层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络的建议检测框，可以为通过第二网络的预设区域生成层通过知识蒸馏对第一网络的预设区域生成层进行指导，得到第一网络的建议检测框。
可选的，如图2所示，图2是根据一示例性实施例示出的一种网络模型训练方法的流程图，将上采样特征图输入第一网络的预设区域生成层。可选的，将上采样特征图输入第一网络的预设区域生成层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络的建议检测框，包括：获取第二网络的预设区域生成层的第一分类标签，其中，第一分类标签是通过对第二特征图进行第三类别回归得到的分类标签；将上采样特征图输入第一网络的预设区域生成层，通过将第一分类标签提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，对上采样特征图进行第一类别回归，并通过第一类别回归和第一检测框回归得到第一网络的建议检测框。
由于第一分辨率与第二分辨率样本图像相同的特征图大小相同，所以anchor一样，这样可以直接对分类标签进行知识蒸馏。例如，假设神经网络采用softmax生成对每个类别的预测概率：T通常设置为1，采用更大的T，会产生更加软化的概率分布，通过这种形式生成软标签，同样的第二网络模型对每个类别的预测概率为：因此，梯度计算公式为：
Figure BDA0002248340350000073
当T很大的时候：
Figure BDA0002248340350000074
假设预测的值期望为0，那么有：
Figure BDA0002248340350000075
需要说明的是，该训练过程以faster rcnn为例，在实际应用中也可是为一段式的yolo、SSD，两段式的rfcn、cascade rcnn等。
通过用第二分辨率的样本图像的计算结果监督预处理后的第一分辨率样本图像的计算结果，并进行知识蒸馏，可以提高第一分辨率图像检测的准确率和召回率，接近使用第二分辨率样本图像的精度，从而可以提高检测速度，同时不降低检测准确率和召回率。
在步骤S15中，通过第一网络的建议检测框获取上采样特征图的第一特征区域。
通过使用第一网络的第一类别回归和第一检测框回归得到第一网络的建议检测框，获取上采样特征图的第一特征区域，可以将上述第一特征区域输入第二网络和第一网络，从而通过第二网络对第一网络进行训练。
在步骤S16中，将第一特征区域输入到第一网络的感兴趣区域池化层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络针对样本图像的分类结果。
其中，其中，本公开实施例的方法可以应用于教师学生网络模型，将第一特征区域输入到第一网络的感兴趣区域池化层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络针对样本图像的分类结果，可以为利用第二网络通过知识蒸馏对第一网络的感兴趣区域池化层进行指导，上述第二网络可以为预先训练好的图像检测网络，上述第二网络包括感兴趣区域池化层，通过第二网络的感兴趣区域池化层对对第一网络的感兴趣区域池化层进行指导。
可选的，如图2所示，图2是根据一示例性实施例示出的一种网络模型训练方法的流程图，将第一特征区域输入到第一网络的感兴趣区域池化层，利用第二网络通过知识蒸馏对第一网络的感兴趣区域池化层进行指导。可选的，将第一特征区域输入到第一网络的感兴趣区域池化层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络针对样本图像的分类结果，包括：获取第二网络的感兴趣区域池化层的第二分类标签，其中，第二分类标签是通过对第二特征区域进行第四类别回归得到的分类标签；将第一特征区域输入第一网络的感兴趣区域池化层，通过将第二分类标签提取的特征信息作为第一网络的感兴趣区域池化层训练过程的参考信息，对第一特征区域进行第二类别回归，并通过第二类别回归和第二检测框回归得到第一网络针对样本图像的分类结果。
通过使用第二网络进行两阶段的知识蒸馏，可以提高上述第一网络对小分辨率图像检测的准确率和召回率，接近原始的精度，最终提高检测速度，同时不降低检测准确率和召回率。
在步骤S17中，根据第一网络针对样本图像的分类结果，调整第一网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。
其中，调整第一网络的参数继续进行训练，可以为根据检测结果调整上述第一网络的图像检测相关参数，例如对特征提取网络的相关参数进行调整。
其中，预设结束条件可以为上述第一网络图像检测的正确率大于某一阈值。当上述第一网络进行图像检测的正确率大于某一阈值后，判定上述训练过程结束，得到训练好的网络模型。其中，具体调整第一网络的参数继续进行训练的过程为现有技术，此处不再赘述。
可见，应用本申请实施例的图像检测方法，通过获取预先训练的第二网络，获取第一分辨率的样本图像，其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率，对第一网络进行训练，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。可以减小图像检测过程中网络模型的计算量，提高计算速度。
图3是根据一示例性实施例示出的一种图像检测方法的第二种流程图，如图3所示，图像检测方法用于图像检测中，包括以下步骤：
在步骤S11中，获取预先训练的第二网络，获取第一分辨率的样本图像。
其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率。
可选的，预先训练第二网络的步骤包括：
获取第二分辨率的样本图像；
通过第二网络的特征提取层，得到二分辨率的样本图像的第二特征图；
将第二特征图输入第二网络的预设区域生成层，得到第二网络的建议检测框；
通过第一网络的建议检测框获取第二特征图的第二特征区域；
将第二特征区域输入到第二网络的感兴趣区域池化层，得到第二网络针对样本图像的分类结果；
调整第二网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第二网络。
可选的，第一分辨率为第二分辨率的一半。
在步骤S12中，通过待训练的第一网络的特征提取层，提取第一分辨率的样本图像的第一特征图。
在步骤S13中，对第一特征图进行上采样，得到第二分辨率的上采样特征图。
在步骤S21中，获取第二网络的预设区域生成层的第一分类标签。
其中，第一分类标签是通过对第二特征图进行第三类别回归得到的分类标签第二网络可以为预先训练好的图像检测网络，上述第二网络包括预设区域生成层。通过获取第二网络的预设区域生成层的第一分类标签，可以便于提取的特征信息，即对第一分类标签进行知识蒸馏，从而对第一网络进行训练。
在步骤S22中，将上采样特征图输入第一网络的预设区域生成层，通过将第一分类标签提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，对上采样特征图进行第一类别回归，并通过第一类别回归和第一检测框回归得到第一网络的建议检测框。
由于第一分辨率与第二分辨率样本图像相同的特征图大小相同，所以anchor一样，这样可以直接对分类标签进行知识蒸馏，对第一类别回归进行指导。
通过上述指定大小的第一特征图输入上述第一网络模型的rpn层(预设区域生成层)，通过上述预设区域生成层进行类别回归和检测框回归，可以通过第二网络的类别回归对第一网络的类别回归进行指导，并根据类别回归和检测框回归的结果，可以通过nms(nonmaximum suppression，非极大值抑制)，得到建议检测框。
通过通过对第一分类标签进行知识蒸馏，指导第一网络的预设区域生成层对上采样特征图进行第一类别回归，可以通过预先训练好的第二网络对上述第一网络进行训练，同时通过使用第二网络的第一分类标签进行知识蒸馏，不但可以保证训练后的第一网络模型的图像检测精度，还可以提高模型训练的速度，提高训练效率。
在步骤S15中，通过第一网络的建议检测框获取上采样特征图的第一特征区域。
在步骤S23中，获取第二网络的感兴趣区域池化层的第二分类标签。
其中，第二分类标签是通过对第一特征区域进行第四类别回归得到的分类标签。第二网络可以为预先训练好的图像检测网络，上述第二网络包括感兴趣区域池化层。通过获取第二网络的感兴趣区域池化层的第二分类标签，可以便于通过对第二分类标签进行知识蒸馏，对第一网络进行训练。
在步骤S24中，将第一特征区域输入第一网络的感兴趣区域池化层，通过将第二分类标签提取的特征信息作为第一网络的感兴趣区域池化层训练过程的参考信息，对第一特征区域进行第二类别回归，并通过第二类别回归和第二检测框回归得到第一网络针对样本图像的分类结果。
其中，上述第一特征区域为通过第一网络的建议检测框获取上采样特征图的第一特征区域，预先训练第二网络的步骤可以包括，通过第一网络的建议检测框获取第二特征图的第二特征区域，因此利用第二网络的预设区域生成层，对第二特征区域进行第四类别回归和第四检测框回归，可以对第一网络的第二类别回归进行指导。
其中，通过第一网络的感兴趣区域池化层对第一特征区域进行第二类别回归和第二检测框回归，可以将第一特征图的第一特征区域对齐到固定大小，然后之后将上述固定大小的特征区域输入后续网络中进行类别回归和检测框回归。
通过使用预先训练的第二网络对分类标签进行两次知识蒸馏对学生网络的训练过程进行指导，可以提高学生网络的图像检测精度，同时通过分类标签的知识蒸馏可以提高模型的训练速度。
在步骤S17中，根据第一网络针对样本图像的分类结果，调整第一网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。
可见，应用本申请实施例的图像检测方法，通过获取预先训练的第二网络，获取第一分辨率的样本图像，其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率，并通过第二网络进行两次知识蒸馏对第一网络进行训练，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。不但可以提高图像检测精度，还可以减小图像检测过程中网络模型的计算量，提高计算速度。
图4是根据一示例性实施例示出的一种图像检测装置第一种框图。参照图4，该装置包括样本获取模块121，特征图模块122，上采样模块123，知识蒸馏模块124，特征区域模块125，图像分类模块126，参数调整模块127。
该样本获取模块121被配置为用于获取预先训练的第二网络，获取第一分辨率的样本图像，其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率。
该特征图模块122被配置为用于通过待训练的第一网络的特征提取层，提取第一分辨率的样本图像的第一特征图。
该上采样模块123被配置为用于对第一特征图进行上采样，得到第二分辨率的上采样特征图。
该知识蒸馏模块124被配置为用于将上采样特征图输入第一网络的预设区域生成层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络的建议检测框。
该特征区域模块125被配置为用于通过第一网络的建议检测框获取上采样特征图的第一特征区域。
该图像分类模块126被配置为用于将第一特征区域输入到第一网络的感兴趣区域池化层，并将第二网络提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，获取第一网络针对样本图像的分类结果。
该参数调整模块127被配置为用于根据第一网络针对样本图像的分类结果，调整第一网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。
可选的，预先训练第二网络的步骤包括：
获取第二分辨率的样本图像；
通过第二网络的特征提取层，得到二分辨率的样本图像的第二特征图；
将第二特征图输入第二网络的预设区域生成层，得到第二网络的建议检测框；
通过第一网络的建议检测框获取第二特征图的第二特征区域；
将第二特征区域输入到第二网络的感兴趣区域池化层，得到第二网络针对样本图像的分类结果；
根据第二网络针对样本图像的分类结果，调整第二网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第二网络。
可选的，知识蒸馏模块124包括：
第一标签子模块，用于获取第二网络的预设区域生成层的第一分类标签，其中，第一分类标签是通过对第二特征图进行第三类别回归得到的分类标签；
第一训练子模块，用于将上采样特征图输入第一网络的预设区域生成层，通过将第一分类标签提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，对上采样特征图进行第一类别回归，并通过第一类别回归和第一检测框回归得到第一网络的建议检测框。
可选的，图像分类模块126包括：
第二标签子模块，用于获取第二网络的感兴趣区域池化层的第二分类标签，其中，第二分类标签是通过对第二特征区域进行第四类别回归得到的分类标签；
第二训练子模块，用于将第一特征区域输入第一网络的感兴趣区域池化层，通过将第二分类标签提取的特征信息作为第一网络的感兴趣区域池化层训练过程的参考信息，对第一特征区域进行第二类别回归，并通过第二类别回归和第二检测框回归得到第一网络针对样本图像的分类结果。
可选的，第一分辨率为第二分辨率的一半。
可见，应用本申请实施例的图像检测装置，通过获取预先训练的第二网络，获取第一分辨率的样本图像，其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率，对第一网络进行训练，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。可以减小图像检测过程中网络模型的计算量，提高计算速度。
图5是根据一示例性实施例示出的一种图像检测装置第二种框图。参照图5，该装置包括样本获取模块121，特征图模块122，上采样模块123，第一标签子模块131，第一训练子模块132，特征区域模块125，第二标签子模块133，第二训练子模块134，参数调整模块127。
该样本获取模块121被配置为用于获取预先训练的第二网络，获取第一分辨率的样本图像，其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率。
该特征图模块122被配置为用于通过待训练的第一网络的特征提取层，提取第一分辨率的样本图像的第一特征图。
该上采样模块123被配置为用于对第一特征图进行上采样，得到第二分辨率的上采样特征图。
该第一标签子模块131被配置为用于获取第二网络的预设区域生成层的第一分类标签，其中，第一分类标签是通过对第二特征图进行第三类别回归得到的分类标签；
该第一训练子模块132被配置为用于将上采样特征图输入第一网络的预设区域生成层，通过将第一分类标签提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，对上采样特征图进行第一类别回归，并通过第一类别回归和第一检测框回归得到第一网络的建议检测框。
该特征区域模块125被配置为用于通过第一网络的建议检测框获取上采样特征图的第一特征区域。
该第二标签子模块133被配置为用于获取第二网络的感兴趣区域池化层的第二分类标签，其中，第二分类标签是通过对第二特征区域进行第四类别回归得到的分类标签；
该第二训练子模块134被配置为用于将第一特征区域输入第一网络的感兴趣区域池化层，通过将第二分类标签提取的特征信息作为第一网络的感兴趣区域池化层训练过程的参考信息，对第一特征区域进行第二类别回归，并通过第二类别回归和第二检测框回归得到第一网络针对样本图像的分类结果。
该参数调整模块127被配置为用于根据第一网络针对样本图像的分类结果，调整第一网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。
可选的，预先训练第二网络的步骤包括：
获取第二分辨率的样本图像；
通过第二网络的特征提取层，得到二分辨率的样本图像的第二特征图；
将第二特征图输入第二网络的预设区域生成层，得到第二网络的建议检测框；
通过第一网络的建议检测框获取第二特征图的第二特征区域；
将第二特征区域输入到第二网络的感兴趣区域池化层，得到第二网络针对样本图像的分类结果；
根据第二网络针对样本图像的分类结果，调整第二网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第二网络。
可选的，第一分辨率为第二分辨率的一半。
可见，应用本申请实施例的图像检测装置，通过获取预先训练的第二网络，获取第一分辨率的样本图像，其中，第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，第一分辨率小于第二分辨率，并通过第二网络进行两次知识蒸馏对第一网络进行训练，得到训练好的第一网络，以通过训练好的第一网络进行图像检测。不但可以提高图像检测精度，还可以减小图像检测过程中网络模型的计算量，提高计算速度。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种用于图像检测的装置600的框图。例如，装置600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)接口612，传感器组件614，以及通信组件616。
处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述图像检测方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图7是根据一示例性实施例示出的一种存储介质示意图。例如，装置700可以被提供为一服务器。参照图7，装置700包括处理组件722，其进一步包括一个或多个处理器，以及由存储器732所代表的存储器资源，用于存储可由处理组件722的执行的指令，例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件722被配置为执行指令，以执行上述图像检测方法。
装置700还可以包括一个电源组件726被配置为执行装置700的电源管理，一个有线或无线网络接口750被配置为将装置700连接到网络，和一个输入输出(I/O)接口758。装置700可以操作基于存储在存储器732的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
根据本公开实施例还提供一种计算机程序产品，当计算机程序产品被计算机执行时，使得计算机能够执行上述任一图像检测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种图像检测方法，其特征在于，包括：
获取预先训练的第二网络，获取第一分辨率的样本图像，其中，所述第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，所述第一分辨率小于所述第二分辨率；
通过待训练的第一网络的特征提取层，提取所述第一分辨率的样本图像的第一特征图；
对所述第一特征图进行上采样，得到第二分辨率的上采样特征图；
将所述上采样特征图输入所述第一网络的预设区域生成层，并将所述第二网络提取的特征信息作为所述第一网络的预设区域生成层训练过程的参考信息，获取所述第一网络的建议检测框；
通过所述第一网络的建议检测框获取所述上采样特征图的第一特征区域；
将所述第一特征区域输入到所述第一网络的感兴趣区域池化层，并将所述第二网络提取的特征信息作为所述第一网络的预设区域生成层训练过程的参考信息，获取所述第一网络针对所述样本图像的分类结果；
根据所述第一网络针对所述样本图像的分类结果，调整所述第一网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第一网络，以通过所述训练好的第一网络进行图像检测。
2.根据权利要求1所述的方法，其特征在于，预先训练第二网络的步骤包括：
获取所述第二分辨率的样本图像；
通过所述第二网络的特征提取层，得到所述二分辨率的样本图像的第二特征图；
将所述第二特征图输入所述第二网络的预设区域生成层，得到所述第二网络的建议检测框；
通过所述第一网络的建议检测框获取所述第二特征图的第二特征区域；
将所述第二特征区域输入到所述第二网络的感兴趣区域池化层，得到所述第二网络针对所述样本图像的分类结果；
根据所述第二网络针对所述样本图像的分类结果，调整所述第二网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第二网络。
3.根据权利要求2所述的方法，其特征在于，所述将所述上采样特征图输入所述第一网络的预设区域生成层，并将所述第二网络提取的特征信息作为所述第一网络的预设区域生成层训练过程的参考信息，获取所述第一网络的建议检测框，包括：
获取所述第二网络的预设区域生成层的第一分类标签，其中，所述第一分类标签是通过对所述第二特征图进行第三类别回归得到的分类标签；
将所述上采样特征图输入所述第一网络的预设区域生成层，通过将所述第一分类标签提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，对所述上采样特征图进行第一类别回归，并通过第一类别回归和第一检测框回归得到所述第一网络的建议检测框。
4.根据权利要求2所述的方法，其特征在于，所述将所述第一特征区域输入到所述第一网络的感兴趣区域池化层，并将所述第二网络提取的特征信息作为所述第一网络的预设区域生成层训练过程的参考信息，获取所述第一网络针对所述样本图像的分类结果，包括：
获取所述第二网络的感兴趣区域池化层的第二分类标签，其中，所述第二分类标签是通过对第二特征区域进行第四类别回归得到的分类标签；
将所述第一特征区域输入所述第一网络的感兴趣区域池化层，通过将所述第二分类标签提取的特征信息作为第一网络的感兴趣区域池化层训练过程的参考信息，对所述第一特征区域进行第二类别回归，并通过第二类别回归和第二检测框回归得到所述第一网络针对所述样本图像的分类结果。
5.根据权利要求1所述的方法，其特征在于，所述所述第一分辨率为所述第二分辨率的一半。
6.一种图像检测装置，其特征在于，包括：
样本获取模块，用于获取预先训练的第二网络，获取第一分辨率的样本图像，其中，所述第二网络为通过第二分辨率的样本图像训练得到的图像识别网络，所述第一分辨率小于所述第二分辨率；
特征图模块，用于通过待训练的第一网络的特征提取层，提取所述第一分辨率的样本图像的第一特征图；
上采样模块，用于对所述第一特征图进行上采样，得到第二分辨率的上采样特征图；
知识蒸馏模块，用于将所述上采样特征图输入所述第一网络的预设区域生成层，并将所述第二网络提取的特征信息作为所述第一网络的预设区域生成层训练过程的参考信息，获取所述第一网络的建议检测框；
特征区域模块，用于通过所述第一网络的建议检测框获取所述上采样特征图的第一特征区域；
图像分类模块，用于将所述第一特征区域输入到所述第一网络的感兴趣区域池化层，并将所述第二网络提取的特征信息作为所述第一网络的预设区域生成层训练过程的参考信息，获取所述第一网络针对所述样本图像的分类结果；
参数调整模块，用于根据所述第一网络针对所述样本图像的分类结果，调整所述第一网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第一网络，以通过所述训练好的第一网络进行图像检测。
7.根据权利要求6所述的装置，其特征在于，预先训练第二网络的步骤包括：
获取所述第二分辨率的样本图像；
通过所述第二网络的特征提取层，得到所述二分辨率的样本图像的第二特征图；
将所述第二特征图输入所述第二网络的预设区域生成层，得到所述第二网络的建议检测框；
通过所述第一网络的建议检测框获取所述第二特征图的第二特征区域；
将所述第二特征区域输入到所述第二网络的感兴趣区域池化层，得到所述第二网络针对所述样本图像的分类结果；
根据所述第二网络针对所述样本图像的分类结果，调整所述第二网络的参数继续进行训练，在满足预设结束条件时，得到训练好的第二网络。
8.根据权利要求7所述的装置，其特征在于，所述知识蒸馏模块包括：
第一标签子模块，用于获取所述第二网络的预设区域生成层的第一分类标签，其中，所述第一分类标签是通过对所述第二特征图进行第三类别回归得到的分类标签；
第一训练子模块，用于将所述上采样特征图输入所述第一网络的预设区域生成层，通过将所述第一分类标签提取的特征信息作为第一网络的预设区域生成层训练过程的参考信息，对所述上采样特征图进行第一类别回归，并通过第一类别回归和第一检测框回归得到所述第一网络的建议检测框。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的图像检测方法。
10.一种存储介质，当所述存储介质中的指令由电子设备执行时，使得电子设备能够执行如权利要求1至5中任一项所述的图像检测方法。
CN201911024866.5A 2019-10-25 2019-10-25 一种图像检测方法及装置 Pending CN110781905A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911024866.5A CN110781905A (zh) 2019-10-25 2019-10-25 一种图像检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911024866.5A CN110781905A (zh) 2019-10-25 2019-10-25 一种图像检测方法及装置

Publications (1)

Publication Number Publication Date
CN110781905A true CN110781905A (zh) 2020-02-11

Family

ID=69386537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911024866.5A Pending CN110781905A (zh) 2019-10-25 2019-10-25 一种图像检测方法及装置

Country Status (1)

Country Link
CN (1) CN110781905A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428191A (zh) * 2020-03-12 2020-07-17 五邑大学 基于知识蒸馏的天线下倾角计算方法、装置和存储介质
CN111597945A (zh) * 2020-05-11 2020-08-28 济南博观智能科技有限公司 一种目标检测方法、装置、设备及介质
CN111950633A (zh) * 2020-08-12 2020-11-17 深圳市商汤科技有限公司 神经网络的训练、目标检测方法及装置和存储介质
CN112149741A (zh) * 2020-09-25 2020-12-29 北京百度网讯科技有限公司 图像识别模型的训练方法、装置、电子设备及存储介质
CN113688840A (zh) * 2020-05-19 2021-11-23 武汉Tcl集团工业研究院有限公司 图像处理模型的生成方法、处理方法、存储介质及终端

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180174046A1 (en) * 2016-12-15 2018-06-21 Beijing Kuangshi Technology Co., Ltd. Target detection method and device, neural network training method and device
US20180268292A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Learning efficient object detection models with knowledge distillation
CN109919110A (zh) * 2019-03-13 2019-06-21 北京航空航天大学 视频关注区域检测方法、装置及设备
CN110263730A (zh) * 2019-06-24 2019-09-20 北京达佳互联信息技术有限公司 图像识别方法、装置、电子设备及存储介质
CN110309842A (zh) * 2018-12-28 2019-10-08 中国科学院微电子研究所 基于卷积神经网络的物体检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180174046A1 (en) * 2016-12-15 2018-06-21 Beijing Kuangshi Technology Co., Ltd. Target detection method and device, neural network training method and device
US20180268292A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Learning efficient object detection models with knowledge distillation
CN110309842A (zh) * 2018-12-28 2019-10-08 中国科学院微电子研究所 基于卷积神经网络的物体检测方法及装置
CN109919110A (zh) * 2019-03-13 2019-06-21 北京航空航天大学 视频关注区域检测方法、装置及设备
CN110263730A (zh) * 2019-06-24 2019-09-20 北京达佳互联信息技术有限公司 图像识别方法、装置、电子设备及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428191A (zh) * 2020-03-12 2020-07-17 五邑大学 基于知识蒸馏的天线下倾角计算方法、装置和存储介质
CN111428191B (zh) * 2020-03-12 2023-06-16 五邑大学 基于知识蒸馏的天线下倾角计算方法、装置和存储介质
CN111597945A (zh) * 2020-05-11 2020-08-28 济南博观智能科技有限公司 一种目标检测方法、装置、设备及介质
CN111597945B (zh) * 2020-05-11 2023-08-18 济南博观智能科技有限公司 一种目标检测方法、装置、设备及介质
CN113688840A (zh) * 2020-05-19 2021-11-23 武汉Tcl集团工业研究院有限公司 图像处理模型的生成方法、处理方法、存储介质及终端
CN111950633A (zh) * 2020-08-12 2020-11-17 深圳市商汤科技有限公司 神经网络的训练、目标检测方法及装置和存储介质
CN112149741A (zh) * 2020-09-25 2020-12-29 北京百度网讯科技有限公司 图像识别模型的训练方法、装置、电子设备及存储介质
CN112149741B (zh) * 2020-09-25 2024-04-16 北京百度网讯科技有限公司 图像识别模型的训练方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
TWI766286B (zh) 圖像處理方法及圖像處理裝置、電子設備和電腦可讀儲存媒介
CN110517185B (zh) 图像处理方法、装置、电子设备及存储介质
CN108256555B (zh) 图像内容识别方法、装置及终端
CN110781905A (zh) 一种图像检测方法及装置
CN110443280B (zh) 图像检测模型的训练方法、装置及存储介质
CN109658401B (zh) 图像处理方法及装置、电子设备和存储介质
CN107944447B (zh) 图像分类方法及装置
US20210224592A1 (en) Method and device for training image recognition model, and storage medium
CN108038102B (zh) 表情图像的推荐方法、装置、终端及存储介质
CN106228556B (zh) 图像质量分析方法和装置
CN107784279B (zh) 目标跟踪方法及装置
CN110619350B (zh) 图像检测方法、装置及存储介质
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN109961094B (zh) 样本获取方法、装置、电子设备及可读存储介质
CN108717542B (zh) 识别文字区域的方法、装置及计算机可读存储介质
CN110930984A (zh) 一种语音处理方法、装置和电子设备
CN110619325B (zh) 一种文本识别方法及装置
CN111652107B (zh) 对象计数方法及装置、电子设备和存储介质
CN110909203A (zh) 视频分析方法及装置、电子设备和存储介质
CN111382748A (zh) 图像翻译方法、装置及存储介质
CN114332503A (zh) 对象重识别方法及装置、电子设备和存储介质
CN116310633A (zh) 一种关键点检测模型训练方法及关键点检测方法
CN114201102A (zh) 信息处理方法、装置及存储介质
CN114120034A (zh) 一种图像分类方法、装置、电子设备及存储介质
CN113377478B (zh) 文娱行业数据标注方法、装置、存储介质及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200211