CN113378712B - 物体检测模型的训练方法、图像检测方法及其装置 - Google Patents
物体检测模型的训练方法、图像检测方法及其装置 Download PDFInfo
- Publication number
- CN113378712B CN113378712B CN202110649762.4A CN202110649762A CN113378712B CN 113378712 B CN113378712 B CN 113378712B CN 202110649762 A CN202110649762 A CN 202110649762A CN 113378712 B CN113378712 B CN 113378712B
- Authority
- CN
- China
- Prior art keywords
- detection model
- feature
- image
- difference
- training
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 403
- 238000012549 training Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000006870 function Effects 0.000 claims description 53
- 238000010586 diagram Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000009412 basement excavation Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提出了物体检测模型的训练方法、图像检测方法及其装置,涉及人工智能技术领域,具体涉及计算机视觉和深度学习技术领域,可应用于自动驾驶、智能机器人等领域。具体实现方案为:根据训练图像分别在教师检测模型和学生检测模型输出的特征图对应的距离图的差异位置,该差异位置在对应特征图中的特征之间的差异,对学生检测模型进行训练。由此,可进一步提高学生检测模型对教师检测模型的检测信息的挖掘,提高了学生检测模型的检测精度,这样,简单的学生检测模型可以达到跟复杂的教师检测模型相似的检测精度,而减少了对计算资源的占用与部署成本,并且提高了推算速度。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及计算机视觉和深度学习技术领域,可应用于自动驾驶、智能机器人等领域,尤其涉及物体检测模型的训练方法、图像检测方法及其装置。
背景技术
目前,主要通过深度学习技术和关键点估计进行物体的检测(比如,单目图像的3D检测)。物体的检测可提供物体的位置信息、物体的长宽高以及物体的朝向角共七个自由度的信息,可广泛应用于智能机器人和自动驾驶等场景。
发明内容
本公开提供了一种用于物体检测模型的训练方法、图像检测方法及其装置。
根据本公开的一方面,提供了一种物体检测模型的训练方法,包括:获取经过训练的教师检测模型,以及待训练的学生检测模型;将训练图像输入所述教师检测模型,得到所述教师检测模型对所述训练图像提取的第一特征图,以及根据所述第一特征图预测的第一物体距离图;将所述训练图像输入所述学生检测模型,得到所述学生检测模型对所述训练图像提取的第二特征图,以及根据所述第二特征图预测的第二物体距离图;根据所述第二物体距离图与所述第一物体距离图中的差异位置,在所述第一特征图中确定所述差异位置对应的第一局部特征,以及在所述第二特征图中确定所述差异位置对应的第二局部特征;根据所述第一局部特征和所述第二局部特征之间的差异,对所述学生检测模型进行训练。
根据本公开的另一方面,提供了一种图像检测方法,包括:获取单目图像;采用经过训练的学生检测模型对所述单目图像进行图像检测,以得到所述单目图像中物体的物体信息;其中,所述学生检测模型,是采用本公开第一方面实施例所述的训练方法训练得到。
根据本公开的另一方面,提供了一种物体检测模型的训练装置,包括:第一获取模块,用于获取经过训练的教师检测模型,以及待训练的学生检测模型;第一处理模块,用于将训练图像输入所述教师检测模型,得到所述教师检测模型对所述训练图像提取的第一特征图,以及根据所述第一特征图预测的第一物体距离图;第二处理模块,用于将所述训练图像输入所述学生检测模型,得到所述学生检测模型对所述训练图像提取的第二特征图,以及根据所述第二特征图预测的第二物体距离图;第一确定模块,用于根据所述第二物体距离图与所述第一物体距离图中的差异位置,在所述第一特征图中确定所述差异位置对应的第一局部特征,以及在所述第二特征图中确定所述差异位置对应的第二局部特征;训练模块,用于根据所述第一局部特征和所述第二局部特征之间的差异,对所述学生检测模型进行训练。
根据本公开的另一方面,提供了一种图像检测装置,包括:获取模块,用于获取单目图像;检测模块,用于采用经过训练的学生检测模型对所述单目图像进行图像检测,以得到所述单目图像中物体的物体信息;其中,所述学生检测模型,是采用本公开实施例所述的训练装置训练得到。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令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公开第一方面实施例所述的方法,或者,执行本公开实施例所述的图像检测方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开第一方面实施例所述的物体检测模型的训练方法,或者,执行本公开实施例所述的图像检测方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开第一方面实施例所述的物体检测模型的训练方法,或者,执行本公开实施例所述的图像检测方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开实施例的获取第一局部特征和第二局部特征之间的差异示意图;
图4是根据本公开第三实施例的示意图;
图5是根据本公开实施例的物体检测模型的训练方法的流程示意图;
图6是根据本公开第四实施例的示意图;
图7是根据本公开第五实施例的示意图;
图8是根据本公开第六实施例的示意图;
图9是根据本公开第七实施例的示意图;
图10是用来实现本公开实施例的物体检测模型的训练方法或者图像检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前,主要通过深度学习技术和关键点估计进行物体的检测(比如,单目图像的3D检测)。物体的检测可提供物体的位置信息、物体的长宽高以及物体的朝向角共七个自由度的信息,可广泛应用于智能机器人和自动驾驶等场景。
相关技术中,物体的检测主要集中于通过设计新颖的模块来增加网络对于输入图片的处理能力,从而提升检测的精度;另外一种主流的方法是通过引入深度信息来增加网络对于空间距离的表征能力,进一步提高检测的精度。
但是,上述技术中,通过设计新颖的模块来增加网络对于输入图片的处理能力,主要依赖于强大复杂的骨干网络来提高最终的检测精度,这种复杂的网络对于计算资源的要求非常庞大,不方便部署到服务中去;另外,深层复杂的网络会导致推理速度过慢。
针对上述问题,本公开提出物体检测模型的训练方法、图像检测方法及其装置。
图1是根据本公开第一实施例的示意图。需要说明的是,本公开实施例的物体检测模型的训练方法可应用于本公开实施例的物体检测模型的训练装置,该装置可被配置于电子设备中。其中,该电子设备可以是移动终端,例如,手机、平板电脑、个人数字助理等具有各种操作系统的硬件设备。
如图1所示,该物体检测模型的训练方法可包括如下步骤:
步骤101,获取经过训练的教师检测模型,以及待训练的学生检测模型。
在本公开实施例中,可对复杂的神经网络进行物体检测训练,将经过训练的复杂的神经网络作为教师检测模型,将未经过训练的简单的神经网络模型作为待训练的学生检测模型。
步骤102,将训练图像输入教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图。
作为本公开实施例的一种可能实现方式,可通过图像采集设备获取训练图像,将训练设备输入至教师检测模型中,教师检测模型可对训练图像进行特征提取,生成特征图,教师检测模型还可以根据特征图进一步进行特征提取,生成物体检测所需要的信息(比如,位置信息、尺寸信息等),根据物体检测所需要的信息可生成距离图,该距离图可用于表征物体在图像采集设备(如相机)坐标系中的距离,教师检测模型对生成的特征图和距离图进行输出,将输出的特征图作为第一特征图,将输出的距离图作为第一物体距离图。
步骤103,将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图。
接着,可将训练图像输入至待训练的学生检测模型中,待训练的学生检测模型可对训练图像进行特征提取,生成特征图,待训练的学生检测模型还可以根据该特征图进一步进行特征提取,生成物体检测需要的信息,根据物体检测所需的信息可生成距离图,待训练的学生检测模型可对生成的特征图和距离图进行输出,将输出的特征图作为第二特征图,将输出的距离图作为第二物体距离图。其中,需要说明的是,步骤102可在步骤103之前执行,也可在步骤103后执行,也可与步骤103同时执行,本公开不做具体限制。
步骤104,根据第二物体距离图与第一物体距离图中的差异位置,在第一特征图中确定差异位置对应的第一局部特征,以及在第二特征图中确定差异位置对应的第二局部特征。
可以理解的是,教师检测模型与待训练的学生检测模型不同,输出的第一物体距离图与第二物体距离图也不同,在本公开实施例中,可将第二物体距离图与第一物体距离图进行距离度量,获取第二物体距离图与第一物体距离图中的差异位置,接着,获取该差异位置在第一特征图中对应的特征,并将该特征作为第一局部特征,同理,将该差异位置在第二特征图中对应的特征作为第二局部特征。
步骤105,根据第一局部特征和第二局部特征之间的差异,对学生检测模型进行训练。
进一步地,将第一局部特征与第二局部特征进行比对,可获取第一局部特征与第二局部特征之间的差异,根据该差异,对学生检测模型进行训练。
综上,通过获取经过训练的教师检测模型,以及待训练的学生检测模型;将训练图像输入教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图;将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图;根据第二物体距离图与第一物体距离图中的差异位置,在第一特征图中确定差异位置对应的第一局部特征,以及在第二特征图中确定差异位置对应的第二局部特征;根据第一局部特征和第二局部特征之间的差异,对学生检测模型进行训练,该方法根据教师检测模型和学生检测模型输出的特征图对应的距离图的差异位置,该差异位置在对应特征图中的特征之间的差异,对学生检测模型进行训练,可进一步提高学生检测模型对教师检测模型的检测信息的挖掘,提高了学生检测模型的检测精度,这样,简单的学生检测模型可以达到跟复杂的教师检测模型相似的检测精度,而减少了对计算资源的占用与部署成本,并且提高了推算速度。
为了更好地获取第一局部特征和第二局部特征,如图2所示,图2是根据本公开第二实施例的示意图。在本公开实施例中,可先获取第一物体距离图与第二物体距离图之间的差异位置,在第一特征图中获取差异位置对应的第一局部特征,在第二特征图中获取差异位置对应的第二局部特征,图2所示实施例包括如下步骤:
步骤201,获取经过训练的教师检测模型,以及待训练的学生检测模型。
步骤202,将训练图像输入教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图。
步骤203,将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图。
步骤204,确定教师检测模型中头部网络输出的第一物体距离图,与学生检测模型中对应头部网络输出的第二物体距离图之间存在差异的差异位置。
为了有效地确定出第一物体距离图与第二物体距离图之间的差异位置,可选地,将教师检测模型中头部网络输出的第一物体距离图与学生检测模型中对应头部网络输出的第二物体距离图中同一位置的距离值比对差异;将距离值之间差异大于阈值的位置作为差异位置。
也就是说,将教师检测模型和学生检测模型输出的特征分别输入到教师检测模型中和学生检测模型中不同的头部网络可得到不同的预测数据,比如,教师检测模型和学生检测模型输出的特征分别输入到教师检测模型和学生检测模型中的类别头部网络可输出对应的物体类别、教师检测模型和学生检测模型输出的特征输出的特征分别输入到教师检测模型和学生检测模型中的2D框头部网络可输出对应的物体2D框。在本公开实施例中,将教师检测模型输出的特征输入到教师检测模型中的3D头部网络可输出的第一物体距离图,与学生检测模型输出的特征输入到学生检测模型中的头部网络输出的第二物体距离图进行对应的相同位置的距离值比对,获取第一物体距离图与第二物体距离图中同一位置的距离值之间的差异,将距离值之间差异大于预设阈值的位置作为差异位置。
步骤205,在第一特征图中,将从差异位置提取的特征作为第一局部特征。
进一步地,根据差异位置,获取该差异位置在第一特征图中的位置,并根据该位置在第一特征图中进行特征提取,将提取的特征作为第一局部特征。
步骤206,在第二特征图中,将从差异位置提取的特征作为第二局部特征。
进一步地,根据差异位置,获取该差异位置在第二特征图中的位置,并根据该位置在第二特征图中进行特征提取,将提取的特征作为第二局部特征。
步骤207,根据第一局部特征和第二局部特征之间的差异,对学生检测模型进行训练。
举例而言,如图3所示,训练图片经过教师检测模型可获取教师特征(第一特征图),训练图片经过学生检测模型可获取学生特征(第二特征图),教师特征经过教师检测模型中的3D head(头部网络)输出第一物体距离图,学生特征经过学生检测模型中的3D head(头部网络)输出第二物体距离图,将第一物体距离图与第二物体距离图进行距离度量,获取第一物体距离图与第二物体距离图之间的差异位置,确定教师特征中该差异位置对应的第一局部特征,确定学生特征中该差异位置对应的第二局部特征,根据第一局部特征与第二局部特征之间的差异,对学生检测模型进行训练。
在本公开实施例中,步骤201-203可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过获取经过训练的教师检测模型,以及待训练的学生检测模型;将训练图像输入教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图;将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图;确定教师检测模型中头部网络输出的第一物体距离图,与学生检测模型中对应头部网络输出的第二物体距离图之间存在差异的差异位置;在第一特征图中,将从差异位置提取的特征作为第一局部特征;在第二特征图中,将从差异位置提取的特征作为第二局部特征;根据第一局部特征和第二局部特征之间的差异,对学生检测模型进行训练。该方法根据第一物体距离图与第二物体距离图之间的差异位置,可在第一特征图中获取差异位置对应的第一局部特征,在第二特征图中获取差异位置对应的第二局部特征,根据第一局部特征与第二局部特征之间的差异对学生检测模型进行训练,可进一步提高学生检测模型对教师检测模型的检测信息的挖掘,提高了学生检测模型的检测精度,这样,简单的学生检测模型可以达到跟复杂的教师检测模型相似的检测精度,而减少了对计算资源的占用与部署成本,并且提高了推算速度。
为了提高学生检测模型的检测精度,如图4所示,图4是根据本公开第三实施例的示意图。在本公开实施例中,可根据第一局部特征和第二局部特征之间的差异,对学生检测模型进行训练,图4所示实施例可包括如下步骤:
步骤401,获取经过训练的教师检测模型,以及待训练的学生检测模型。
步骤402,将训练图像输入教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图。
步骤403,将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图。
步骤404,根据第二物体距离图与第一物体距离图中的差异位置,在第一特征图中确定差异位置对应的第一局部特征,以及在第二特征图中确定差异位置对应的第二局部特征。
步骤405,根据第一局部特征和第二局部特征之间的差异,确定损失函数的第一损失项。
在本公开实施例中,将第一局部特征与第二局部特征进行比对,可确定第一局部特征与第二局部特征之间的差异,将该差异作为损失函数的第一损失项。
步骤406,根据第一特征图和第二特征图之间的差异,确定损失函数的第二损失项。
可选地,将第一特征图与第二特征图进行比对,可确定第一特征图与第二特征图之间的特征差异,将该特征差异作为损失函数的第二损失项。
作为本公开实施例的一种可能实现方式,教师检测模型和学生检测模型可分别包括对应的多个特征提取层,将教师检测模型各特征提取层输出的第一特征图,分别与学生检测模型中对应的特征提取层输出的第二特征图确定特征差异,根据确定出的特征差异,确定损失函数的第二损失项。
也就是说,教师检测模型和学生检测模型分别包括对应的多个特征提取层,教师检测模型可根据多个特征提取层提取特征,并输出第一特征图,学生检测模型可根据对应的多个特征提取层提取特征,并输出第二特征图,将教师检测模型输出的第一特征图与学生检测模型输出的第二特征图进行距离计算,可确定教师检测模型的多个特征提取层提取的特征与学生检测模型的对应的多个特征提取层提取的特征之间的特征差异,将该特征差异作为损失函数的第二损失项。
比如,教师检测模型根据多个特征提取层提取的特征为,学生检测模型根据对应的多个特征提取层提取的特征为/>,通过教师检测模型输出的特征T与学生检测模型输出的特征S进行cos(余弦)距离计算,并通过cos距离判断教师检测模型输出的特征与学生检测模型输出的特征之间的相似度,算出相似损失函数进行优化,以拉近教师检测模型输出的特征与学生检测模型输出的特征之间的距离。其中,cos距离可通过如下公式进行定义:
步骤407,根据损失函数的各损失项,对学生检测模型进行训练。
进一步地,可根据损失函数的第一损失项和第二损失项对学生检测模型进行训练。
举例而言,如图5所示,将训练图片分别输入教师网络(教师检测模型)和学生网络(学生检测模型),教师网络可输出教师特征(第一特征图),学生网络可输出学生特征(第二特征图),教师特征经过教师检测模型中的头部网络(如3D head)输出第一物体距离图,学生特征经过学生检测模型中的头部网络输出第二物体距离图,将第一物体距离图与第二物体距离图进行距离度量,获取第一物体距离图与第二物体距离图之间的差异位置,确定教师特征中该差异位置对应的第一局部特征,确定学生特征中该差异位置对应的第二局部特征,根据第一局部特征与第二局部特征之间的差异,将该差异作为损失函数的第一损失项,将教师特征和学生特征之间的差异,作为损失函数的第二损失项,根据损失函数的第一损失项和第二损失项对学生网络进行训练。
在本公开实施例中,步骤401-404可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过获取经过训练的教师检测模型,以及待训练的学生检测模型;将训练图像输入教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图;将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图;根据第二物体距离图与第一物体距离图中的差异位置,在第一特征图中确定差异位置对应的第一局部特征,以及在第二特征图中确定所述差异位置对应的第二局部特征;根据第一局部特征和第二局部特征之间的差异,确定损失函数的第一损失项;根据第一特征图和第二特征图之间的差异,确定损失函数的第二损失项;根据损失函数的各损失项,对学生检测模型进行训练。该方法根据教师检测模型和学生检测模型输出的特征图对应的距离图的差异位置,该差异位置在对应特征图中的特征之间的差异,作为损失函数的第一损失项,以及特征图之间的差异作为损失函数第二损失项,根据第一损失项和第二损失项对学生检测模型进行训练,可提高学生检测模型的检测精度,这样,简单的学生检测模型可以达到跟复杂的教师检测模型相似的检测精度,而减少了对计算资源的占用与部署成本,并且提高了推算速度。
为了进一步提高学生检测模型的检测精度,如图6所示,图6是根据本公开第四实施例的示意图。在本公开实施例中,对学生检测模型进行训练的损失函数还可包括第三损失项,图6所示实施例可包括如下步骤:
步骤601,获取经过训练的教师检测模型,以及待训练的学生检测模型。
步骤602,将训练图像输入教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图。
步骤603,将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图。
步骤604,根据第二物体距离图与第一物体距离图中的差异位置,在第一特征图中确定差异位置对应的第一局部特征,以及在第二特征图中确定差异位置对应的第二局部特征。
步骤605,根据第一局部特征和第二局部特征之间的差异,确定损失函数的第一损失项。
步骤606,根据第一特征图和第二特征图之间的差异,确定损失函数的第二损失项。
步骤607,获取训练样本的标注。
在本公开实施例中,可预先在训练样本上进行物体位置或者物体尺寸的标注。
步骤608,根据训练样本标注的物体位置与学生检测模型预测的物体位置之间的差异,和/或根据训练样本标注的物体尺寸与学生检测模型预测的物体尺寸之间的差异,确定第三损失项。
作为一种示例,可将训练样本标注的物体位置与学生检测模型预测的物体位置进行比对,确定训练样本标注的物体位置与学生检测模型预测的物体位置之间的差异,作为损失函数的第三损失项,对学生检测模型进行训练。
作为另一种示例,将训练样本标注的物体尺寸与学生检测模型预测的物体尺寸进行比对,确定训练样本标注的物体尺寸与学生检测模型预测的物体尺寸之间的差异,作为损失函数的第三损失项,对学生检测模型进行训练。
作为另一种示例,可将训练样本标注的物体位置与学生检测模型预测的物体位置进行比对,确定训练样本标注的物体位置与学生检测模型预测的物体位置之间的差异,将训练样本标注的物体尺寸与学生检测模型预测的物体尺寸进行比对,确定训练样本标注的物体尺寸与学生检测模型预测的物体尺寸之间的差异,训练样本标注的物体尺寸与学生检测模型预测的物体尺寸之间的差异,作为损失函数的第三损失项,对学生检测模型进行训练。
步骤609,根据损失函数的各损失项,对学生检测模型进行训练。
进一步地,可根据损失函数的第一损失项、第二损失项和第三损失项对学生检测模型进行训练。
在本公开实施例中,步骤601-606可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过获取经过训练的教师检测模型,以及待训练的学生检测模型;将训练图像输入教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图;将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图;根据第二物体距离图与第一物体距离图中的差异位置,在第一特征图中确定差异位置对应的第一局部特征,以及在第二特征图中确定所述差异位置对应的第二局部特征;根据第一局部特征和第二局部特征之间的差异,确定损失函数的第一损失项;根据第一特征图和第二特征图之间的差异,确定损失函数的第二损失项;获取训练样本的标注;根据训练样本标注的物体位置与学生检测模型预测的物体位置之间的差异,和/或根据训练样本标注的物体尺寸与学生检测模型预测的物体尺寸之间的差异,确定第三损失项;根据损失函数的各损失项,对学生检测模型进行训练。该方法教师检测模型和学生检测模型输出的特征图对应的距离图的差异位置,该差异位置在对应特征图中的特征之间的差异,作为损失函数的第一损失项,以及特征图之间的差异作为损失函数第二损失项,根据训练样本标注的物体位置与学生检测模型预测的物体位置之间的差异,和/或根据训练样本标注的物体尺寸与学生检测模型预测的物体尺寸之间的差异作为损失函数的第三损失项,可提高学生检测模型的检测精度,这样,简单的学生检测模型可以达到跟复杂的教师检测模型相似的检测精度,而减少了对计算资源的占用与部署成本,并且提高了推算速度。
本公开实施例的物体检测模型的训练方法,通过获取经过训练的教师检测模型,以及待训练的学生检测模型;将训练图像输入教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图;将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图;根据第二物体距离图与第一物体距离图中的差异位置,在第一特征图中确定差异位置对应的第一局部特征,以及在第二特征图中确定差异位置对应的第二局部特征;根据第一局部特征和第二局部特征之间的差异,对学生检测模型进行训练,该方法根据教师检测模型和学生检测模型输出的特征图对应的距离图的差异位置,该差异位置在对应特征图中的特征之间的差异,对学生检测模型进行训练,可进一步提高学生检测模型对教师检测模型的检测信息的挖掘,提高了学生检测模型的检测精度,这样,简单的学生检测模型可以达到跟复杂的教师检测模型相似的检测精度,而减少了对计算资源的占用,减少部署成本,并且提高了推算速度。
图7是根据本公开第五实施例的示意图,在本公开实施例中,可将经过训练的学生检测模型用于图像检测,基于此,本公开提出一种图像检测方法。本公开实施例的图像检测方法可应用于本公开实施例的图像检测装置,该装置可被配置于电子设备中。其中,该电子设备可以是移动终端,例如,手机、平板电脑、个人数字助理等具有各种操作系统的硬件设备。如图7所示,该图像检测方法包括:
步骤701,获取单目图像。
在本公开实施例中,可通过图像采集设备获取单目图像。
步骤702,采用经过训练的学生检测模型对单目图像进行图像检测,以得到单目图像中物体的物体信息;其中,学生检测模型,是采用图1至图6所述的训练方法训练得到。
可选地,将单目图像输入经过训练的学生检测模型,经过训练的学生检测模型可输出单目图像中物体的物体信息,比如,物体的3D位置信息、物体的长宽高以及物体的朝向角共七个自由度的信息。其中,需要说明的是,学生检测模型,是采用图1至图6所述的训练方法训练得到。
本公开实施例的图像检测方法,通过获取单目图像;采用经过训练的学生检测模型对单目图像进行图像检测,以得到单目图像中物体的物体信息,其中,学生检测模型,是采用图1至图6所述的训练方法训练得到。由此,采用经过训练的学生检测模型对单目图像进行检测,可提高图像的检测精度。
为了实现上述图1至图6实施例,本公开实施例还提出一种物体检测模型的训练装置。
图8是根据本公开第六实施例的示意图,如图8所示,该物体检测模型的训练装置800包括:第一获取模块810、第一处理模块820、第二处理模块830、第一确定模块840、训练模块850。
其中,第一获取模块810,用于获取经过训练的教师检测模型,以及待训练的学生检测模型;第一处理模块820,用于将训练图像输入所述教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图;第二处理模块830,用于将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图;第一确定模块840,用于根据第二物体距离图与第一物体距离图中的差异位置,在第一特征图中确定差异位置对应的第一局部特征,以及在第二特征图中确定差异位置对应的第二局部特征;训练模块850,用于根据第一局部特征和第二局部特征之间的差异,对学生检测模型进行训练。
作为本公开实施例的一种可能实现方式,第一确定模块840,用于:确定教师检测模型中头部网络输出的所述第一物体距离图,与学生检测模型中对应头部网络输出的第二物体距离图之间存在差异的差异位置;在第一特征图中,将从差异位置提取的特征作为第一局部特征;在第二特征图中,将从差异位置提取的特征作为第二局部特征。
作为本公开实施例的一种可能实现方式,第一确定模块840,还用于:将教师检测模型中头部网络输出的第一物体距离图与学生检测模型中对应头部网络输出的第二物体距离图中同一位置的距离值比对差异;将距离值之间差异大于阈值的位置作为差异位置。
作为本公开实施例的一种可能实现方式,训练模块850,用于:根据第一局部特征和第二局部特征之间的差异,确定损失函数的第一损失项;根据第一特征图和第二特征图之间的差异,确定损失函数的第二损失项;根据损失函数的各损失项,对学生检测模型进行训练。
作为本公开实施例的一种可能实现方式,损失函数还包括第三损失项;物体检测模型的训练装置800还包括:第二获取模块、第二确定模块。
其中,第二获取模块,用于获取训练样本的标注;第二确定模块,用于根据训练样本标注的物体位置与学生检测模型预测的物体位置之间的差异,和/或根据训练样本标注的物体尺寸与学生检测模型预测的物体尺寸之间的差异,确定第三损失项。
作为本公开实施例的一种可能实现方式,教师检测模型和所述学生检测模型分别包括对应的多个特征提取层;训练模块850,还用于:将所述教师检测模型各特征提取层输出的第一特征图,分别与所述学生检测模型中对应的特征提取层输出的第二特征图确定特征差异;根据确定出的特征差异,确定所述损失函数的第二损失项。
本公开实施例的物体检测模型的训练装置,通过获取经过训练的教师检测模型,以及待训练的学生检测模型;将训练图像输入教师检测模型,得到教师检测模型对训练图像提取的第一特征图,以及根据第一特征图预测的第一物体距离图;将训练图像输入学生检测模型,得到学生检测模型对训练图像提取的第二特征图,以及根据第二特征图预测的第二物体距离图;根据第二物体距离图与第一物体距离图中的差异位置,在第一特征图中确定差异位置对应的第一局部特征,以及在第二特征图中确定差异位置对应的第二局部特征;根据第一局部特征和第二局部特征之间的差异,对学生检测模型进行训练,该装置可实现根据教师检测模型和学生检测模型输出的特征图对应的距离图的差异位置,该差异位置在对应特征图中的特征之间的差异,对学生检测模型进行训练,可进一步提高学生检测模型对教师检测模型的检测信息的挖掘,提高了学生检测模型的检测精度,这样,简单的学生检测模型可以达到跟复杂的教师检测模型相似的检测精度,而减少了对计算资源的占用与部署成本,并且提高了推算速度。
为了实现图7所述实施例,本公开实施例还提出一种图像检测装置。
图9是根据本公开第七实施例的示意图,如图9所示,该图像检测装置900包括:获取模块910、检测模块920。
其中,获取模块910,用于获取单目图像;检测模块920,用于采用经过训练的学生检测模型对单目图像进行图像检测,以得到单目图像中物体的物体信息;其中,所述学生检测模型,是采用图8所述的训练装置训练得到。
本公开实施例的图像检测装置,通过获取单目图像;采用经过训练的学生检测模型对单目图像进行图像检测,以得到单目图像中物体的物体信息,其中,学生检测模型,是采用图8所述的训练装置训练得到。由此,采用经过训练的学生检测模型对单目图像进行检测,可提高图像的检测精度。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在ROM(Read-OnlyMemory,只读存储器) 1002中的计算机程序或者从存储单元1008加载到RAM(RandomAccess Memory,随机访问/存取存储器) 1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM1002以及RAM 1003通过总线1004彼此相连。I/O(Input/Output,输入/输出) 接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元) 、各种专用的AI(ArtificialIntelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(DigitalSignal Processor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如物体检测模型的训练方法或者图像检测方法。例如,在一些实施例中,物体检测模型的训练方法或者图像检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的物体检测模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行物体检测模型的训练方法或者图像检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备) 、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器) 或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器) 、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube, 阴极射线管)或者LCD(Liquid Crystal Display, 液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网) 、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称 "VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/距离学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (16)
1.一种物体检测模型的训练方法,包括:
获取经过训练的教师检测模型,以及待训练的学生检测模型;
将训练图像输入所述教师检测模型,得到所述教师检测模型对所述训练图像提取的第一特征图,以及根据所述第一特征图预测的第一物体距离图;
将所述训练图像输入所述学生检测模型,得到所述学生检测模型对所述训练图像提取的第二特征图,以及根据所述第二特征图预测的第二物体距离图,其中,所述第一物体距离图和所述第二物体距离图用于表征所述训练图像中的物体在图像采集设备坐标系中的距离;
根据所述第二物体距离图与所述第一物体距离图中的差异位置,在所述第一特征图中确定所述差异位置对应的第一局部特征,以及在所述第二特征图中确定所述差异位置对应的第二局部特征;
根据所述第一局部特征和所述第二局部特征之间的差异,对所述学生检测模型进行训练。
2.根据权利要求1所述的训练方法,其中,所述根据所述第二物体距离图与所述第一物体距离图中的差异位置,在所述第一特征图中确定所述差异位置对应的第一局部特征,以及在所述第二特征图中确定所述差异位置对应的第二局部特征,包括:
确定所述教师检测模型中头部网络输出的所述第一物体距离图,与所述学生检测模型中对应头部网络输出的所述第二物体距离图之间存在差异的差异位置;
在所述第一特征图中,将从所述差异位置提取的特征作为所述第一局部特征;
在所述第二特征图中,将从所述差异位置提取的特征作为所述第二局部特征。
3.根据权利要求2所述的训练方法,其中,所述确定所述教师检测模型中头部网络输出的所述第一物体距离图,与所述学生检测模型中对应头部网络输出的所述第二物体距离图之间存在差异的差异位置,包括:
将所述教师检测模型中头部网络输出的所述第一物体距离图与所述学生检测模型中对应头部网络输出的第二物体距离图中同一位置的距离值比对差异;
将所述距离值之间差异大于阈值的位置作为所述差异位置。
4.根据权利要求1所述的训练方法,其中,所述根据所述第一局部特征和所述第二局部特征之间的差异,对所述学生检测模型进行训练,包括:
根据所述第一局部特征和所述第二局部特征之间的差异,确定损失函数的第一损失项;
根据所述第一特征图和所述第二特征图之间的差异,确定所述损失函数的第二损失项;
根据所述损失函数的各损失项,对所述学生检测模型进行训练。
5.根据权利要求4所述的训练方法,其中,所述损失函数还包括第三损失项;所述方法还包括:
获取训练样本的标注;
根据所述训练样本标注的物体位置与所述学生检测模型预测的物体位置之间的差异,和/或根据所述训练样本标注的物体尺寸与所述学生检测模型预测的物体尺寸之间的差异,确定所述第三损失项。
6.根据权利要求4所述的训练方法,其中,所述教师检测模型和所述学生检测模型分别包括对应的多个特征提取层;所述根据所述第一特征图和所述第二特征图之间的差异,确定所述损失函数的第二损失项,包括:
将所述教师检测模型各特征提取层输出的第一特征图,分别与所述学生检测模型中对应的特征提取层输出的第二特征图确定出所述对应的特征提取层对应的特征差异;
根据确定出的各所述特征提取层对应的特征差异,确定所述损失函数的第二损失项。
7.一种图像检测方法,包括:
获取单目图像;
采用经过训练的学生检测模型对所述单目图像进行图像检测,以得到所述单目图像中物体的物体信息;其中,所述学生检测模型,是采用如权利要求1-6中任一项所述的训练方法训练得到。
8.一种物体检测模型的训练装置,包括:
第一获取模块,用于获取经过训练的教师检测模型,以及待训练的学生检测模型;
第一处理模块,用于将训练图像输入所述教师检测模型,得到所述教师检测模型对所述训练图像提取的第一特征图,以及根据所述第一特征图预测的第一物体距离图;
第二处理模块,用于将所述训练图像输入所述学生检测模型,得到所述学生检测模型对所述训练图像提取的第二特征图,以及根据所述第二特征图预测的第二物体距离图,其中,所述第一物体距离图和所述第二物体距离图用于表征所述训练图像中的物体在图像采集设备坐标系中的距离;
第一确定模块,用于根据所述第二物体距离图与所述第一物体距离图中的差异位置,在所述第一特征图中确定所述差异位置对应的第一局部特征,以及在所述第二特征图中确定所述差异位置对应的第二局部特征;
训练模块,用于根据所述第一局部特征和所述第二局部特征之间的差异,对所述学生检测模型进行训练。
9.根据权利要求8所述的装置,其中,所述第一确定模块,用于:
确定所述教师检测模型中头部网络输出的所述第一物体距离图,与所述学生检测模型中对应头部网络输出的所述第二物体距离图之间存在差异的差异位置;
在所述第一特征图中,将从所述差异位置提取的特征作为所述第一局部特征;
在所述第二特征图中,将从所述差异位置提取的特征作为所述第二局部特征。
10.根据权利要求9所述的装置,其中,所述第一确定模块,还用于:
将所述教师检测模型中头部网络输出的所述第一物体距离图与所述学生检测模型中对应头部网络输出的第二物体距离图中同一位置的距离值比对差异;
将所述距离值之间差异大于阈值的位置作为所述差异位置。
11.根据权利要求8所述的装置,其中,所述训练模块,用于:
根据所述第一局部特征和所述第二局部特征之间的差异,确定损失函数的第一损失项;
根据所述第一特征图和所述第二特征图之间的差异,确定所述损失函数的第二损失项;
根据所述损失函数的各损失项,对所述学生检测模型进行训练。
12.根据权利要求11所述的装置,其中,所述损失函数还包括第三损失项;所述装置还包括:
第二获取模块,用于获取训练样本的标注;
第二确定模块,用于根据所述训练样本标注的物体位置与所述学生检测模型预测的物体位置之间的差异,和/或根据所述训练样本标注的物体尺寸与所述学生检测模型预测的物体尺寸之间的差异,确定所述第三损失项。
13.根据权利要求11所述的装置,其中,所述教师检测模型和所述学生检测模型分别包括对应的多个特征提取层;所述训练模块,还用于:
将所述教师检测模型各特征提取层输出的第一特征图,分别与所述学生检测模型中对应的特征提取层输出的第二特征图确定出所述对应的特征提取层对应的特征差异;
根据确定出的各所述特征提取层对应的特征差异,确定所述损失函数的第二损失项。
14.一种图像检测装置,包括:
获取模块,用于获取单目图像;
检测模块,用于采用经过训练的学生检测模型对所述单目图像进行图像检测,以得到所述单目图像中物体的物体信息;其中,所述学生检测模型,是采用如权利要求8-13中任一项所述的训练装置训练得到。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有被所述至少一个处理器执行的指令,所述指令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权利要求1-6中任一项所述的方法,或者,执行权利要求7所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法,或者,执行权利要求7所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649762.4A CN113378712B (zh) | 2021-06-10 | 2021-06-10 | 物体检测模型的训练方法、图像检测方法及其装置 |
JP2023515610A JP2023539934A (ja) | 2021-06-10 | 2022-04-20 | 物体検出モデルのトレーニング方法、画像検出方法及び装置 |
PCT/CN2022/088005 WO2022257614A1 (zh) | 2021-06-10 | 2022-04-20 | 物体检测模型的训练方法、图像检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649762.4A CN113378712B (zh) | 2021-06-10 | 2021-06-10 | 物体检测模型的训练方法、图像检测方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378712A CN113378712A (zh) | 2021-09-10 |
CN113378712B true CN113378712B (zh) | 2023-07-04 |
Family
ID=77573820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649762.4A Active CN113378712B (zh) | 2021-06-10 | 2021-06-10 | 物体检测模型的训练方法、图像检测方法及其装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2023539934A (zh) |
CN (1) | CN113378712B (zh) |
WO (1) | WO2022257614A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378712B (zh) * | 2021-06-10 | 2023-07-04 | 北京百度网讯科技有限公司 | 物体检测模型的训练方法、图像检测方法及其装置 |
CN113806387A (zh) * | 2021-09-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 模型训练方法、高精地图变更检测方法、装置及电子设备 |
CN113920307A (zh) * | 2021-09-29 | 2022-01-11 | 北京百度网讯科技有限公司 | 模型的训练方法、装置、设备、存储介质及图像检测方法 |
CN115797736B (zh) * | 2023-01-19 | 2023-05-09 | 北京百度网讯科技有限公司 | 目标检测模型的训练和目标检测方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0954763A (ja) * | 1995-08-14 | 1997-02-25 | Kokusai Denshin Denwa Co Ltd <Kdd> | 多値ニューラルネットワーク学習方式 |
CN111127432A (zh) * | 2019-12-24 | 2020-05-08 | 北京推想科技有限公司 | 一种医学图像检测方法、装置、设备及存储介质 |
CN111967597A (zh) * | 2020-08-18 | 2020-11-20 | 上海商汤临港智能科技有限公司 | 神经网络训练及图像分类方法、装置、存储介质、设备 |
KR102191351B1 (ko) * | 2020-04-28 | 2020-12-15 | 아주대학교산학협력단 | 지식 증류법 기반 의미론적 영상 분할 방법 |
CN112257815A (zh) * | 2020-12-03 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 模型生成方法、目标检测方法、装置、电子设备及介质 |
CN112801298A (zh) * | 2021-01-20 | 2021-05-14 | 北京百度网讯科技有限公司 | 异常样本检测方法、装置、设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180268292A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc. | Learning efficient object detection models with knowledge distillation |
CN111639744B (zh) * | 2020-04-15 | 2023-09-22 | 北京迈格威科技有限公司 | 学生模型的训练方法、装置及电子设备 |
CN111709409B (zh) * | 2020-08-20 | 2020-11-20 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及介质 |
CN112508169A (zh) * | 2020-11-13 | 2021-03-16 | 华为技术有限公司 | 知识蒸馏方法和系统 |
CN112561059B (zh) * | 2020-12-15 | 2023-08-01 | 北京百度网讯科技有限公司 | 用于模型蒸馏的方法和装置 |
CN113378712B (zh) * | 2021-06-10 | 2023-07-04 | 北京百度网讯科技有限公司 | 物体检测模型的训练方法、图像检测方法及其装置 |
-
2021
- 2021-06-10 CN CN202110649762.4A patent/CN113378712B/zh active Active
-
2022
- 2022-04-20 JP JP2023515610A patent/JP2023539934A/ja active Pending
- 2022-04-20 WO PCT/CN2022/088005 patent/WO2022257614A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0954763A (ja) * | 1995-08-14 | 1997-02-25 | Kokusai Denshin Denwa Co Ltd <Kdd> | 多値ニューラルネットワーク学習方式 |
CN111127432A (zh) * | 2019-12-24 | 2020-05-08 | 北京推想科技有限公司 | 一种医学图像检测方法、装置、设备及存储介质 |
KR102191351B1 (ko) * | 2020-04-28 | 2020-12-15 | 아주대학교산학협력단 | 지식 증류법 기반 의미론적 영상 분할 방법 |
CN111967597A (zh) * | 2020-08-18 | 2020-11-20 | 上海商汤临港智能科技有限公司 | 神经网络训练及图像分类方法、装置、存储介质、设备 |
CN112257815A (zh) * | 2020-12-03 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 模型生成方法、目标检测方法、装置、电子设备及介质 |
CN112801298A (zh) * | 2021-01-20 | 2021-05-14 | 北京百度网讯科技有限公司 | 异常样本检测方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
Practically Deploying Heavyweight Adaptive Bitrate Algorithms With Teacher-Student Learning;Zili Meng etal.;《IEEE/ACM Transactions on Networking》;第第29卷卷(第第2期期);全文 * |
基于多阶段知识蒸馏的行人再识别;李粘粘;《通信技术》;第第54卷卷(第第3期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
JP2023539934A (ja) | 2023-09-20 |
CN113378712A (zh) | 2021-09-10 |
WO2022257614A1 (zh) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378712B (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN113191256B (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
EP4040401A1 (en) | Image processing method and apparatus, device and storage medium | |
CN112560874B (zh) | 图像识别模型的训练方法、装置、设备和介质 | |
CN113379718B (zh) | 一种目标检测方法、装置、电子设备以及可读存储介质 | |
US11810319B2 (en) | Image detection method, device, storage medium and computer program product | |
CN112785625B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN114550177B (zh) | 图像处理的方法、文本识别方法及装置 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
CN113378770B (zh) | 手势识别方法、装置、设备、存储介质 | |
CN113780098B (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN112861885B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN113205041B (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
US20220172376A1 (en) | Target Tracking Method and Device, and Electronic Apparatus | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
KR20220117341A (ko) | 차선 검출 모델의 트레이닝 방법, 장치, 전자 기기 및 저장 매체 | |
CN113591569A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
US20220392192A1 (en) | Target re-recognition method, device and electronic device | |
CN114972910B (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 | |
CN115937993A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN113378836A (zh) | 图像识别方法、装置、设备、介质及程序产品 | |
CN113205131A (zh) | 图像数据的处理方法、装置、路侧设备和云控平台 | |
CN113177545B (zh) | 目标物体的检测方法、装置、电子设备和存储介质 | |
CN112633276B (zh) | 训练方法、识别方法、装置、设备、介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |