CN115147687A - 学生模型训练方法、装置、设备及存储介质 - Google Patents
学生模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115147687A CN115147687A CN202210803050.8A CN202210803050A CN115147687A CN 115147687 A CN115147687 A CN 115147687A CN 202210803050 A CN202210803050 A CN 202210803050A CN 115147687 A CN115147687 A CN 115147687A
- Authority
- CN
- China
- Prior art keywords
- loss value
- network
- student
- distillation
- value
- 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
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种学生模型训练方法、装置、设备及存储介质。该方法包括:在一次迭代周期中,将样本图像分别输入至学生网络和相应的教师网络;其中,学生网络和所述教师网络用于对样本图像进行目标检测;根据样本图像的标签数据和学生网络的预测结果,确定第一损失值,以及根据样本图像的标签数据和教师网络的预测结果,确定第二损失值;根据第一损失值和第二损失值,确定知识蒸馏对学生网络的第一蒸馏作用程度;基于第一蒸馏作用程度,确定学生网络对应的目标学生损失值;根据目标学生损失值调整所述学生网络的网络参数。本发明实施例提高了训练得到的学生模型的检测准确度。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种学生模型训练方法、装置、设备及存储介质。
背景技术
随着深度学习的不断发展,目标检测技术在近几年飞速发展,目标检测模型不断复杂。目标检测模型在检测性能方面不断提高,但检测过程的耗时不断增加。基于上述问题,提出了基于蒸馏的方法,用学生模型(较为简单的目标检测模型)通过蒸馏方法学习教师模型(复杂的目标检测模型)的网络黑盒知识。
但现有技术中学生模型通过蒸馏方法学习教师模型的过程中,存在学生模型的检测能力受限于教师模型的检测能力,导致学生模型对教师模型完全依赖,限制了学习模型在训练过程中准确度的提高。
发明内容
本发明提供了一种学生模型训练方法、装置、设备及存储介质,以提高训练得到的学生模型的检测准确度。
根据本发明的一方面,提供了一种学生模型训练方法,该方法包括:
在一次迭代周期中,将样本图像分别输入至学生网络和相应的教师网络;其中,所述学生网络和所述教师网络用于对所述样本图像进行目标检测;
根据所述样本图像的标签数据和所述学生网络的预测结果,确定第一损失值,以及根据所述样本图像的标签数据和所述教师网络的预测结果,确定第二损失值;
根据所述第一损失值和所述第二损失值,确定知识蒸馏对所述学生网络的第一蒸馏作用程度;
基于所述第一蒸馏作用程度,确定所述学生网络对应的目标学生损失值;
根据所述目标学生损失值调整所述学生网络的网络参数。
根据本发明的另一方面,提供了一种学生模型训练装置,该装置包括:
样本图像输入模块,用于在一次迭代周期中,将样本图像分别输入至学生网络和相应的教师网络;其中,所述学生网络和所述教师网络用于对所述样本图像进行目标检测;
损失值确定模块,用于根据所述样本图像的标签数据和所述学生网络的预测结果,确定第一损失值,以及根据所述样本图像的标签数据和所述教师网络的预测结果,确定第二损失值;
第一作用程度确定模块,用于根据所述第一损失值和所述第二损失值,确定知识蒸馏对所述学生网络的第一蒸馏作用程度;
目标学生损失值确定模块,用于基于所述第一蒸馏作用程度,确定所述学生网络对应的目标学生损失值;
网络参数调整模块,用于根据所述目标学生损失值调整所述学生网络的网络参数。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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发明任一实施例所述的学生模型训练方法。
根据本发明的另一方面,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发明任一实施例所述的学生模型训练方法。
本实施例方案根据样本图像的标签数据和学生网络的预测结果,确定第一损失值,以及根据样本图像的标签数据和教师网络的预测结果,确定第二损失值;根据所述第一损失值和第二损失值,确定知识蒸馏对学生网络的第一蒸馏作用程度;基于第一蒸馏作用程度,确定学生网络对应的目标学生损失值;根据目标学生损失值调整学生网络的网络参数。上述方案通过考虑在学生网络和教师网络的训练过程中,教师网络对学生网络知识蒸馏作用程度,实现了在训练过程中动态调整学生网络的目标学生损失值,从而使得学生网络的检测能力不完全依赖于教师网络,提高了对训练得到的学生模型的检测准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明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发明的一些实施例,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。
图1是根据本发明实施例一提供的一种学生模型训练方法的流程图;
图2是根据本发明实施例二提供的一种学生模型训练方法的流程图;
图3是根据本发明实施例三提供的一种学生模型训练方法的流程图;
图4是根据本发明实施例四提供的一种学生模型训练装置的结构示意图;
图5是实现本发明实施例的学生模型训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明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,以便这里描述的本发明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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种学生模型训练方法的流程图,本实施例可适用于基于知识蒸馏学生模型和教师模型共同学习的情况,该方法可以由学生模型训练装置来执行,该学生模型训练装置可以采用硬件和/或软件的形式实现,该学生模型训练装置可配置于电子设备中。如图1所示,该方法包括:
S110、在一次迭代周期中,将样本图像分别输入至学生网络和相应的教师网络;其中,学生网络和教师网络用于对样本图像进行目标检测。
其中,学生网络可以是较为简单的目标检测模型,教师网络可以是较为复杂的目标检测模型,具体可以由相关技术人员进行预先设定。例如,学生网络可以是ResNet-34,相应的,教师网络可以是ResNet-50。其中,教师网络可以是采用已训练好的教师模型对教师网络进行权重赋值后的网络模型;学生网络可以是未进行权重赋值的网络模型。在知识蒸馏的过程中,教师网络对学生网络起引导作用。
其中,样本图像可以是带有标签的样本训练集和/或样本测试集。输入至学生网络和教师网络的为设定数量的样本训练集。样本训练集的数量可以由相关技术人员进行预先设定,例如,可以根据实际需求将80%的样本图像作为样本训练集输入至学生网络和相应的教师网络,将20%的样本图像用做后续模型测试过程的样本测试集。
需要说明的是,在模型训练过程中,需要进行多轮(epoch)模型迭代训练。一次迭代周期表示进行一轮模型的迭代训练,即完成一次对全部样本训练集的迭代训练。其中,在每一轮迭代训练中,根据设定的迭代步长(batch_size)完成在当前迭代周期内,至少一次对样本训练集的正向传播和反向传播的过程。
示例性的,在当前迭代周期中,将作为样本训练集的样本图像分别输入至学生网络和相应的教师网络。学生网络和教师网络同时加载样本图像。学生网络和教师网络对样本图像的训练过程同步进行。
S120、根据样本图像的标签数据和学生网络的预测结果,确定第一损失值,以及根据样本图像的标签数据和教师网络的预测结果,确定第二损失值。
其中,样本图像的标签数据可以在样本图像输入至学生网络和/或教师网络之前由相关技术人员对进行预先标注。
示例性的,学生网络基于输入的带有标签数据的样本图像进行训练,可以得到样本图像对应的预测结果;以及,教师网络基于输入的带有标签的样本图像进行训练,可以得到样本图像对应的预测结果。第一损失值可以是基于学生网络的预测结果和样本图像的标签数据中的真实值得到的损失值。第二损失值可以是基于教师网络的预测结果和样本图像的标签数据中的真实值得到的损失值。
在一个可选实施例中,学生网络的预测结果包括第一分类预测值和第一回归预测值;相应的,确定学生网络对应的第一损失值,包括:根据第一分类预测值和标签数据中的类别标签值,确定第一分类损失值;以及,根据第一回归损失值和标签数据中的位置标签值,确定第一回归损失值;根据第一分类损失值和第一回归损失值,生成第一损失值。
其中,第一分类预测值可以是学生网络对样本图像训练得到的预测分类结果,例如,第一分类预测值可以是学生网络预测得到的一个概率值。类别标签值可以是样本图像对应所属类别的真实值。第一回归预测值可以是学生网络对样本图像训练得到的预测坐标结果,其中,坐标可以是预测得到的样本图像对应检测框的位置坐标。位置标签值可以是样本图像的检测框对应的真实坐标位置。
可以根据第一分类预测值和标签数据中的类别标签值,基于预设的分类损失函数,确定第一分类损失值。其中,分类损失函数可以由相关技术人员进行预先设定。例如,分类损失函数可以是指数损失(Exponential loss)函数和对数似然损失(Logistic loss)函数等,本实施例对此不进行限制。示例性的,可以将第一分类预测值和类别标签值输入至预设的分类损失函数中,由分类损失函数计算并得到第一分类损失值。
可以根据第一回归预测值和标签数据中的位置标签值,基于预设的回归损失函数,确定第一回归损失值。其中,回归损失函数可以由相关技术人员进行预先设定。例如,回归损失函数可以是平方损失(Squared loss)函数、绝对值损失(absolute loss)函数和Huber损失(huber loss)函数等,本实施例对此不进行限制。示例性的,可以将第一回归预测值和位置标签值输入至预设的回归损失函数中,由回归损失函数计算并得到第一回归损失值。
根据第一分类损失值和第一回归损失值,生成第一损失值。示例性的,可以将第一分类损失值和第一回归损失值进行相加,并将两个损失值相加后的结果作为第一损失值。可选的,还可以是根据预设的权重阈值,对第一分类损失值和第一回归损失值进行加权求和运算,并将基于预设的权重阈值,将两个损失值进行加权求和后得到的损失值作为第一损失值。
本可选实施例通过根据第一分类损失值和第一回归损失值,生成第一损失值的方式,实现了对学生网络训练过程中的第一损失值的准确确定,从而为后续进一步准确确定目标学生损失值奠定基础。
在一个可选实施例中,教师网络的预测结果包括第二分类预测值和第二回归预测值;相应的,确定教师网络对应的第二损失值,包括:根据第二分类预测值和标签数据中的类别标签值,确定第二分类损失值;以及,根据第二回归预测值和标签数据中的位置标签值,确定第二回归损失值;根据第二分类损失值和第二回归损失值,生成第二损失值。
其中,第二分类预测值可以是教师网络对样本图像预测得到的预测分类结果,例如,第二分类预测值可以是教师网络预测得到的一个概率值。类别标签值可以是样本图像对应所属类别的真实值。第二回归预测值可以是教师网络对样本图像训练得到的预测坐标结果,其中,坐标可以是预测得到的样本图像对应检测框的位置坐标。位置标签值可以是样本图像的检测框对应的真实坐标位置。
可以根据第二分类预测值和标签数据中的类别标签值,基于预设的分类损失函数,确定第二分类损失值。其中,分类损失函数可以由相关技术人员进行预先设定。例如,分类损失函数可以是指数损失(Exponential loss)函数和对数似然损失(Logistic loss)函数等,本实施例对此不进行限制。示例性的,可以将第二分类预测值和类别标签值输入至预设的分类损失函数中,由分类损失函数计算并得到第二分类损失值。
可以根据第二回归预测值和标签数据中的位置标签值,基于预设的回归损失函数,确定第二回归损失值。其中,回归损失函数可以由相关技术人员进行预先设定。例如,回归损失函数可以是平方损失(Squared loss)函数、绝对值损失(absolute loss)函数和Huber损失(huber loss)函数等,本实施例对此不进行限制。示例性的,可以将第二回归预测值和位置标签值输入至预设的回归损失函数中,由回归损失函数计算并得到第二回归损失值。
根据第二分类损失值和第二回归损失值,生成第二损失值。示例性的,可以将第二分类损失值和第二回归损失值进行相加,并将两个损失值相加后的结果作为第二损失值。可选的,还可以是根据预设的权重阈值,对第二分类损失值和第二回归损失值进行加权求和运算,并将基于预设的权重阈值,将两个损失值进行加权求和后得到的损失值作为第二损失值。
本可选实施例通过根据第二分类损失值和第二回归损失值,生成第二损失值的方式,实现了对教师网络训练过程中的第二损失值的准确确定,从而为后续进一步准确确定目标学生损失值奠定基础。
S130、根据第一损失值和第二损失值,确定知识蒸馏对学生网络的第一蒸馏作用程度。
其中,第一蒸馏作用程度可以是教师网络对学生网络的知识蒸馏的作用程度。需要说明的是,在学生网络通过蒸馏方法学习教师网络的过程中,学生网络的目标检测能力在逐渐提高,为避免学生网络的目标检测能力受限于教师网络的目标检测能力,在知识蒸馏的过程中,可以根据蒸馏作用程度,动态的调整教师网络对学生网络知识蒸馏的影响。
示例性的,若第一损失值不小于第二损失值,则可以认为教师网络的预测过程中的目标检测能力较好,因此,可以通过动态调整第一蒸馏作用程度,使得教师网络对学生网络进行知识蒸馏过程的作用大一些;若第一损失值小于第二损失值,则可以认为学生网络的训练过程中的目标检测能力较好,因此,可以通过动态调整第一蒸馏作用程度,使得教师网络对学生网络进行知识蒸馏过程的作用小一些。其中,第一蒸馏作用程度的调节方式和调节尺度大小可以由相关技术人员进行预先设定。
S140、基于第一蒸馏作用程度,确定学生网络对应的目标学生损失值。
其中,目标学生损失值可以是在学生网络迭代过程中,用于判断学生网络是否收敛的损失值。
示例性的,可以通过第一蒸馏作用程度,调节蒸馏损失值,得到目标学生损失值。其中,蒸馏损失值可以基于预设的蒸馏损失函数对学生网络和教师网络训练过程中产生的特征值等参数计算得到。其中,蒸馏损失函数可以由相关技术人员进行预先设定,具体可以是采用现有的蒸馏损失函数对蒸馏损失值进行计算,本实施例对此不进行限制。可选的,目标学生损失值可以是第一蒸馏作用程度与蒸馏损失值的乘积。
S150、根据目标学生损失值调整学生网络的网络参数。
其中,网络参数可以包括网络权重参数和网络特征参数等。示例性的,可以通过目标学生损失值判断学生网络是否收敛;若是,则将收敛的学生网络作为用于进行目标检测的学生模型;若否,则根据目标学生损失值,基于预设的反向传播算法,对学生网络进行反向传播从而调整网络参数。
需要说明的是,学生网络的收敛条件可以是目标学生损失值趋于平稳也可以是与前一次迭代得到的目标学生损失值的差值趋于平稳,或者,还可以是达到设定的迭代周期阈值后停止学生网络的迭代训练,本实施对此不进行限制。
本实施例方案根据样本图像的标签数据和学生网络的预测结果,确定第一损失值,以及根据样本图像的标签数据和教师网络的预测结果,确定第二损失值;根据所述第一损失值和第二损失值,确定知识蒸馏对学生网络的第一蒸馏作用程度;基于第一蒸馏作用程度,确定学生网络对应的目标学生损失值;根据目标学生损失值调整学生网络的网络参数。上述方案通过考虑在学生网络和教师网络的训练过程中,教师网络对学生网络知识蒸馏作用程度,实现了在训练过程中动态调整学生网络的目标学生损失值,从而使得学生网络的检测能力不完全依赖于教师网络,提高了对训练得到的学生模型的检测准确度。
实施例二
图2为本发明实施例二提供的一种学生模型训练方法的流程图,本实施例在上述各技术方案的基础上,进行了优化改进。
进一步的,将步骤“基于第一蒸馏作用程度,确定学生网络对应的目标学生损失值”细化为“根据第一蒸馏作用程度,确定学生网络对应的第一蒸馏权重值;确定学生网络训练产生的第一蒸馏损失值;根据第一损失值、第一蒸馏损失值和第一蒸馏权重值,确定学生网络对应的目标学生损失值。”以完善对目标学生损失值的确定方式。
如图2所示,该方法包括以下具体步骤:
S210、在一次迭代周期中,将样本图像分别输入至学生网络和相应的教师网络;其中,学生网络和教师网络用于对样本图像进行目标检测。
S220、根据样本图像的标签数据和学生网络的预测结果,确定第一损失值,以及根据样本图像的标签数据和教师网络的预测结果,确定第二损失值。
S230、根据第一损失值和第二损失值,确定知识蒸馏对学生网络的第一蒸馏作用程度。
S240、根据第一蒸馏作用程度,确定学生网络对应的第一蒸馏权重值。
其中,学生网络对应的第一蒸馏权重值可以采用如下确定方式:
其中,wstu_dil可以表示第一蒸馏权重值,lossstu可以表示第一损失值,losstch可以表示第二损失值。lossstu与losstch之间的比较关系可以表示教师网络对学生网络进行知识蒸馏的作用程度。若第一损失值不小于第二损失值,蒸馏作用对学生网络作用大一点;若第一损失值小于第二损失值,蒸馏作用对学生网络作用小一点。具体可以根据教师网络对学生网络的第一蒸馏作用程度,确定相应的第一蒸馏权重值。
S250、确定学生网络训练产生的第一蒸馏损失值。
示例性的,第一蒸馏损失值可以根据学生网络和教师网络训练过程中产生的训练参数,如特征值,基于预设的蒸馏损失函数计算得到。
在一个可选实施例中,确定学生网络训练产生的第一蒸馏损失值,包括:确定学生网络的网络层进行特征提取后得到的第一预测特征值,以及确定教师网络的网络层进行特征提取后得到的第二预测特征值;根据第一预测特征值和第二预测特征值,确定第一蒸馏损失值。
其中,学生网络和教师网络的网络层可以包括特征层和瓶颈层。第一预测特征值可以是对教师网络和学生网络同时对样本图像进行推理或预测,得到学生网络的特征层、瓶颈层对应的特征值,以及预测得到的样本图像对应的检测框的特征值。第二预测特征值可以是对教师网络和学生网络同时对样本图像进行推理或预测,得到教师网络的特征层、瓶颈层对应的特征值,以及预测得到的样本图像对应的检测框的特征值。
示例性的,可以根据第一预测特征值和第二预测特征值,基于预设的蒸馏损失函数进行误差计算,并将蒸馏损失函数的误差计算结果作为第一蒸馏损失值。
S260、根据第一损失值、第一蒸馏损失值和第一蒸馏权重值,确定学生网络对应的目标学生损失值。
其中,第一损失值中可以是第一分类损失值与第一回归损失值之和。目标学生损失值可以是第一损失值,与基于第一蒸馏权重值调整后的第一蒸馏损失值之和。
在一个可选实施例中,根据第一损失值、第一蒸馏损失值和第一蒸馏权重值,确定学生网络对应的目标损失值,包括:基于第一蒸馏权重值,调整第一蒸馏损失值;根据第一损失值与调整后的第一蒸馏损失值的加和,得到学生网络对应的目标学生损失值。
其中,目标学生损失值可以采用如下方式进行确定:
lossstu_sum=lossstu_class+lossstu_bbox+wstu_dil*loss蒸馏损失
其中,lossstu_sum可以表示目标学生损失值,lossstu_class可以表示第一分类损失值,lossstu_bbox可以表示第一回归损失值,wstu_dil可以表示一蒸馏权重值,loss蒸馏损失可以表示第一蒸馏损失值。
示例性的,可以采用第一蒸馏权重值对第一蒸馏损失值进行调整,并将调整后的第一蒸馏损失值与第一损失值进行相加,从而得到目标学生损失值。其中,第一损失值为第一回归损失值和第一分类损失值之和。
本可选实施例通过基于第一蒸馏权重值,调整第一蒸馏损失值;根据第一损失值与调整后的第一蒸馏损失值的加和,得到学生网络对应的目标学生损失值,实现了对目标学生损失值的动态确定,能够根据教师网络对学生网络的蒸馏作用程度进行动态调整。
S270、根据目标学生损失值调整学生网络的网络参数。
本实施例方案通过根据第一蒸馏作用程度,确定学生网络对应的第一蒸馏权重值;确定学生网络训练产生的第一蒸馏损失值;根据第一损失值、第一蒸馏损失值和第一蒸馏权重值,确定学生网络对应的目标学生损失值。上述方案通过根据教师网络对学生网络进行知识蒸馏的作用程度,动态调整学生网络的学习能力,避免了在学生网络学习教师网络知识时,学生网络的学习能力完全受限于教师网络的检测能力的情况发生。同时,通过动态调整蒸馏作用程度,可以进一步调整学生网络的学习教师网络的学习能力,使得学生网络的检测能力不完全依赖于教师网络,提高了对训练得到的学生模型的检测准确度。
实施例三
图3为本发明实施例三提供的一种学生模型训练方法的流程图,本实施例在上述各技术方案的基础上,进行了优化改进。
进一步的,所述方法还包括:根据第二损失值,生成目标教师损失值;根据目标教师损失值,调整教师网络的网络参数,以更新本次迭代周期中的教师网络。
如图3所示,该方法包括以下具体步骤:
S310、在一次迭代周期中,将样本图像分别输入至学生网络和相应的教师网络;其中,学生网络和教师网络用于对样本图像进行目标检测。
S320、根据样本图像的标签数据和学生网络的预测结果,确定第一损失值,以及根据样本图像的标签数据和教师网络的预测结果,确定第二损失值。
S330、根据第一损失值和第二损失值,确定知识蒸馏对学生网络的第一蒸馏作用程度。
S340、基于第一蒸馏作用程度,确定学生网络对应的目标学生损失值。
S350、根据目标学生损失值调整学生网络的网络参数。
S360、根据第二损失值,生成目标教师损失值。
需要说明的是,现有的知识蒸馏技术方案中,蒸馏引导仅作用于学生网络,对教师网络不起作用。蒸馏作用也没有依据教师网络的目标检测能力和学生网络的目标检测能力,对教师网络进行动态调整。教师网络在蒸馏过程中不进行学习,因此,知识蒸馏过程的教师网络的目标检测能力无法进行进一步的提升。
可以理解的是,若想要解决上述问题,可以在知识蒸馏过程中对教师网络进行动态调整,使得教师网络的目标检测能力也能够进一步的提升。
在一个可选实施例中,若前一迭代周期中学生网络对应的历史准确率小于预设的准确率阈值,则根据第二损失值,生成目标教师损失值,包括:将第二损失值作为目标教师损失值。
其中,前一迭代周期可以是当前迭代周期之前一轮迭代训练的周期。其中,历史准确率可以是在前一迭代周期中,训练得到的学生网络目标检测的准确率。
学生网络对应的历史准确率的确定方式可以为将预先划分好的样本测试集输入至前一次迭代训练得到的学生网络中。根据学生网络的输出的对样本测试集的检测结果,确定前一次迭代周期下学生网络的历史准确率。
其中,准确率阈值可以由相关技术人员进行预先设定。例如,准确率阈值可以设定为0.78。
示例性的,若前一迭代周期中学生网络对应的历史准确率小于预设的准确率阈值,则将第二损失值作为目标教师损失值。其中,目标教师损失值可以是在教师网络迭代过程中,用于判断教师网络是否收敛的损失值。
在一个可选实施例中,若前一迭代周期中学生网络对应的历史准确率不小于预设的准确率阈值,则根据第二损失值,生成目标教师损失值,包括:根据第一损失值和第二损失值,确定知识蒸馏对教师网络的第二蒸馏作用程度;根据第二蒸馏作用程度,确定教师网络对应的第二蒸馏权重值;确定教师网络训练产生的第二蒸馏损失值;根据第二损失值、第二蒸馏损失值和第二蒸馏权重值,确定教师网络对应的目标教师损失值。
其中,教师网络对应的第二蒸馏权重值可以采用如下确定方式:
其中,wtch_dil可以表示第二蒸馏权重值,即蒸馏作用于教师网络的权重值。lossstu可以表示第一损失值,losstch可以表示第二损失值。lossstu与losstch之间的比较关系可以表示教师网络对学生网络进行知识蒸馏的作用程度。若第二损失值不小于第一损失值,蒸馏作用对学生网络作用大一点;若第二损失值小于第一损失值,蒸馏作用对学生网络作用小一点。具体可以根据对教师网络的第二蒸馏作用程度,确定相应的第二蒸馏权重值。
其中,目标教师损失值可以采用如下方式进行确定:
losstch_sum=losstch_class+losstch_bbox+wtch_dil*loss蒸馏损失
其中,losstch_sum可以表示目标教师损失值,即蒸馏作用于教师网络的损失值。losstch_class可以表示第二分类损失值,losstch_bbox可以表示第二回归损失值,wtch_dil可以表示二蒸馏权重值,loss蒸馏损失可以表示第二蒸馏损失值。其中,第二蒸馏损失值的确定方式可以与确定第一蒸馏损失值相同,本实施例对此不在进行赘述。
S370、根据目标教师损失值,调整教师网络的网络参数,以更新本次迭代周期中的教师网络。
其中,网络参数可以包括网络权重参数和网络特征参数等。示例性的,可以通过目标教师损失值判断教师网络是否收敛;若是,则将收敛的教师网络作为用于进行目标检测的教师模型;若否,则根据目标教师损失值,基于预设的反向传播算法,对教师网络进行反向传播从而调整网络参数。
需要说明的是,教师网络的收敛条件可以是目标教师损失值趋于平稳也可以是与前一次迭代得到的目标教师损失值的差值趋于平稳,或者,还可以是达到设定的迭代周期阈值后停止教师网络的迭代训练,本实施对此不进行限制。
本实施例方案通过根据前一迭代周期中学生网络对应的历史准确率,确定目标教师损失值的确定方式;根据目标教师损失值,调整教师网络的网络参数,以更新本次迭代周期中的教师网络,实现了教师网络在进行知识蒸馏过程中同样能够进行学习,并提高自身的检测能力,同时,缓解了学生网络检测能力的上限值。并且在教师网络的迭代过程中,还可以对检测能力进行动态调整,使得学生网络和教师网络能够共同学习,并共同提高自身的检测能力。
实施例四
图4为本发明实施例四提供的一种学生模型训练装置的结构示意图。本发明实施例所提供的一种学生模型训练装置,该装置可适用于基于知识蒸馏学生模型和教师模型共同学习的情况,该装置可采用软件和/或硬件的方式实现。如图4所示,该装置具体包括:样本图像输入模块401、损失值确定模块402、第一作用程度确定模块403、目标学生损失值确定模块404和第一网络参数调整模块405。其中,
样本图像输入模块401,用于在一次迭代周期中,将样本图像分别输入至学生网络和相应的教师网络;其中,所述学生网络和所述教师网络用于对所述样本图像进行目标检测;
损失值确定模块402,用于根据所述样本图像的标签数据和所述学生网络的预测结果,确定第一损失值,以及根据所述样本图像的标签数据和所述教师网络的预测结果,确定第二损失值;
第一作用程度确定模块403,用于根据所述第一损失值和所述第二损失值,确定知识蒸馏对所述学生网络的第一蒸馏作用程度;
目标学生损失值确定模块404,用于基于所述第一蒸馏作用程度,确定所述学生网络对应的目标学生损失值;
第一网络参数调整模块405,用于根据所述目标学生损失值调整所述学生网络的网络参数。
本实施例方案根据样本图像的标签数据和学生网络的预测结果,确定第一损失值,以及根据样本图像的标签数据和教师网络的预测结果,确定第二损失值;根据所述第一损失值和第二损失值,确定知识蒸馏对学生网络的第一蒸馏作用程度;基于第一蒸馏作用程度,确定学生网络对应的目标学生损失值;根据目标学生损失值调整学生网络的网络参数。上述方案通过考虑在学生网络和教师网络的训练过程中,教师网络对学生网络知识蒸馏作用程度,实现了在训练过程中动态调整学生网络的目标学生损失值,从而使得学生网络的检测能力不完全依赖于教师网络,提高了对训练得到的学生模型的检测准确度。
可选的,所述目标学生损失值确定模块404,包括:
第一权重值确定单元,用于根据所述第一蒸馏作用程度,确定所述学生网络对应的第一蒸馏权重值;
第一蒸馏损失值确定单元,用于确定所述学生网络训练产生的第一蒸馏损失值;
目标学生损失值确定单元,用于根据所述第一损失值、所述第一蒸馏损失值和所述第一蒸馏权重值,确定所述学生网络对应的目标学生损失值。
可选的,所述目标学生损失值确定单元,包括:
第一蒸馏损失值调整子单元,用于基于所述第一蒸馏权重值,调整所述第一蒸馏损失值;
目标学生损失值确定子单元,用于根据所述第一损失值与调整后的第一蒸馏损失值的加和,得到所述学生网络对应的目标学生损失值。
可选的,所述学生网络的预测结果包括第一分类预测值和第一回归预测值;
相应的,所述损失值确定模块402,包括:
第一分类损失值确定单元,用于根据所述第一分类预测值和所述标签数据中的类别标签值,确定所述第一分类损失值;以及,
第一回归损失值确定单元,用于根据所述第一回归预测值和所述标签数据中的位置标签值,确定所述第一回归损失值;
第一损失值确定单元,用于根据所述第一分类损失值和所述第一回归损失值,生成所述第一损失值。
可选的,所述教师网络的预测结果包括第二分类预测值和第二回归预测值;
相应的,所述损失值确定模块402,包括:
第二分类损失值确定单元,用于根据所述第二分类预测值和所述标签数据中的类别标签值,确定所述第二分类损失值;以及,
第二回归损失值确定单元,用于根据所述第二回归预测值和所述标签数据中的位置标签值,确定所述第二回归损失值;
第二损失值确定单元,用于根据所述第二分类损失值和所述第二回归损失值,生成所述第二损失值。
可选的,第一蒸馏损失值确定单元,包括:
预测特征值确定子单元,用于确定所述学生网络的网络层进行特征提取后得到的第一预测特征值,以及确定所述教师网络的网络层进行特征提取后得到的第二预测特征值;
第一蒸馏损失值确定子单元,用于根据所述第一预测特征值和所述第二预测特征值,确定所述第一蒸馏损失值。
可选的,所述装置还包括:
目标教师损失值生成模块,用于根据所述第二损失值,生成目标教师损失值;
第二网络参数调整模块,用于根据所述目标教师损失值,调整所述教师网络的网络参数,以更新本次迭代周期中的教师网络。
可选的,若前一迭代周期中学生网络对应的历史准确率小于预设的准确率阈值,则所述目标教师损失值生成模块,包括:
第一目标教师损失值确定单元,用于将所述第二损失值作为所述目标教师损失值。
可选的,若前一迭代周期中学生网络对应的历史准确率不小于预设的准确率阈值,则所述目标教师损失值生成模块,包括:
第二作用程度确定单元,用于根据所述第一损失值和所述第二损失值,确定知识蒸馏对所述教师网络的第二蒸馏作用程度;
第二权重值确定单元,用于根据所述第二蒸馏作用程度,确定所述教师网络对应的第二蒸馏权重值;
第二蒸馏损失值确定单元,用于确定所述教师网络训练产生的第二蒸馏损失值;
第二目标教师损失值确定单元,用于根据所述第二损失值、所述第二蒸馏损失值和所述第二蒸馏权重值,确定所述教师网络对应的目标教师损失值。
本发明实施例所提供的学生模型训练装置可执行本发明任意实施例所提供的学生模型训练方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备50的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示,电子设备50包括至少一个处理器51,以及与至少一个处理器51通信连接的存储器,如只读存储器(ROM)52、随机访问存储器(RAM)53等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器51可以根据存储在只读存储器(ROM)52中的计算机程序或者从存储单元58加载到随机访问存储器(RAM)53中的计算机程序,来执行各种适当的动作和处理。在RAM 53中,还可存储电子设备50操作所需的各种程序和数据。处理器51、ROM 52以及RAM 53通过总线54彼此相连。输入/输出(I/O)接口55也连接至总线54。
电子设备50中的多个部件连接至I/O接口55,包括:输入单元56,例如键盘、鼠标等;输出单元57,例如各种类型的显示器、扬声器等;存储单元58,例如磁盘、光盘等;以及通信单元59,例如网卡、调制解调器、无线通信收发机等。通信单元59允许电子设备50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。
处理器51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。处理器51的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器51执行上文所描述的各个方法和处理,例如学生模型训练方法。
在一些实施例中,学生模型训练方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元58。在一些实施例中,计算机程序的部分或者全部可以经由ROM 52和/或通信单元59而被载入和/或安装到电子设备50上。当计算机程序加载到RAM 53并由处理器51执行时,可以执行上文描述的学生模型训练方法的一个或多个步骤。备选地,在其他实施例中,处理器51可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行学生模型训练方法。
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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(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电子设备。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:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种学生模型训练方法,其特征在于,包括:
在一次迭代周期中,将样本图像分别输入至学生网络和相应的教师网络;其中,所述学生网络和所述教师网络用于对所述样本图像进行目标检测;
根据所述样本图像的标签数据和所述学生网络的预测结果,确定第一损失值,以及根据所述样本图像的标签数据和所述教师网络的预测结果,确定第二损失值;
根据所述第一损失值和所述第二损失值,确定知识蒸馏对所述学生网络的第一蒸馏作用程度;
基于所述第一蒸馏作用程度,确定所述学生网络对应的目标学生损失值;
根据所述目标学生损失值调整所述学生网络的网络参数。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一蒸馏作用程度,确定所述学生网络对应的目标学生损失值,包括:
根据所述第一蒸馏作用程度,确定所述学生网络对应的第一蒸馏权重值;
确定所述学生网络训练产生的第一蒸馏损失值;
根据所述第一损失值、所述第一蒸馏损失值和所述第一蒸馏权重值,确定所述学生网络对应的目标学生损失值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一损失值、所述第一蒸馏损失值和所述第一蒸馏权重值,确定所述学生网络对应的目标损失值,包括:
基于所述第一蒸馏权重值,调整所述第一蒸馏损失值;
根据所述第一损失值与调整后的第一蒸馏损失值的加和,得到所述学生网络对应的目标学生损失值。
4.根据权利要求1所述的方法,其特征在于,所述学生网络的预测结果包括第一分类预测值和第一回归预测值;
相应的,根据所述样本图像的标签数据和所述学生网络的预测结果,确定第一损失值,包括:
根据所述第一分类预测值和所述标签数据中的类别标签值,确定所述第一分类损失值;以及,
根据所述第一回归预测值和所述标签数据中的位置标签值,确定所述第一回归损失值;
根据所述第一分类损失值和所述第一回归损失值,生成所述第一损失值。
5.根据权利要求1所述的方法,其特征在于,所述教师网络的预测结果包括第二分类预测值和第二回归预测值;
相应的,根据所述样本图像的标签数据和所述教师网络的预测结果,确定第二损失值,包括:
根据所述第二分类预测值和所述标签数据中的类别标签值,确定所述第二分类损失值;以及,
根据所述第二回归预测值和所述标签数据中的位置标签值,确定所述第二回归损失值;
根据所述第二分类损失值和所述第二回归损失值,生成所述第二损失值。
6.根据权利要求2所述的方法,其特征在于,所述确定所述学生网络训练产生的第一蒸馏损失值,包括:
确定所述学生网络的网络层进行特征提取后得到的第一预测特征值,以及确定所述教师网络的网络层进行特征提取后得到的第二预测特征值;
根据所述第一预测特征值和所述第二预测特征值,确定所述第一蒸馏损失值。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
根据所述第二损失值,生成目标教师损失值;
根据所述目标教师损失值,调整所述教师网络的网络参数,以更新本次迭代周期中的教师网络。
8.根据权利要求7所述的方法,其特征在于,若前一迭代周期中学生网络对应的历史准确率小于预设的准确率阈值,则所述根据所述第二损失值,生成目标教师损失值,包括:
将所述第二损失值作为所述目标教师损失值。
9.根据权利要求7所述的方法,其特征在于,若前一迭代周期中学生网络对应的历史准确率不小于预设的准确率阈值,则所述根据所述第二损失值,生成目标教师损失值,包括:
根据所述第一损失值和所述第二损失值,确定知识蒸馏对所述教师网络的第二蒸馏作用程度;
根据所述第二蒸馏作用程度,确定所述教师网络对应的第二蒸馏权重值;
确定所述教师网络训练产生的第二蒸馏损失值;
根据所述第二损失值、所述第二蒸馏损失值和所述第二蒸馏权重值,确定所述教师网络对应的目标教师损失值。
10.一种学生模型训练装置,其特征在于,包括:
样本图像输入模块,用于在一次迭代周期中,将样本图像分别输入至学生网络和相应的教师网络;其中,所述学生网络和所述教师网络用于对所述样本图像进行目标检测;
损失值确定模块,用于根据所述样本图像的标签数据和所述学生网络的预测结果,确定第一损失值,以及根据所述样本图像的标签数据和所述教师网络的预测结果,确定第二损失值;
第一作用程度确定模块,用于根据所述第一损失值和所述第二损失值,确定知识蒸馏对所述学生网络的第一蒸馏作用程度;
目标学生损失值确定模块,用于基于所述第一蒸馏作用程度,确定所述学生网络对应的目标学生损失值;
第一网络参数调整模块,用于根据所述目标学生损失值调整所述学生网络的网络参数。
11.一种电子设备,其特征在于,所述电子设备包括:
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权利要求1-9中任一项所述的学生模型训练方法。
12.一种计算机可读存储介质,其特征在于,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权利要求1-9中任一项所述的学生模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210803050.8A CN115147687A (zh) | 2022-07-07 | 2022-07-07 | 学生模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210803050.8A CN115147687A (zh) | 2022-07-07 | 2022-07-07 | 学生模型训练方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147687A true CN115147687A (zh) | 2022-10-04 |
Family
ID=83411427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210803050.8A Pending CN115147687A (zh) | 2022-07-07 | 2022-07-07 | 学生模型训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147687A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294332A (zh) * | 2022-10-09 | 2022-11-04 | 浙江啄云智能科技有限公司 | 一种图像处理方法、装置、设备和存储介质 |
CN115984640A (zh) * | 2022-11-28 | 2023-04-18 | 北京数美时代科技有限公司 | 一种基于组合蒸馏技术的目标检测方法、系统和存储介质 |
CN116071608A (zh) * | 2023-03-16 | 2023-05-05 | 浙江啄云智能科技有限公司 | 目标检测方法、装置、设备和存储介质 |
CN117115469A (zh) * | 2023-10-23 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 图像特征提取网络的训练方法、装置、存储介质及设备 |
CN117372819A (zh) * | 2023-12-07 | 2024-01-09 | 神思电子技术股份有限公司 | 用于有限模型空间的目标检测增量学习方法、设备及介质 |
-
2022
- 2022-07-07 CN CN202210803050.8A patent/CN115147687A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294332A (zh) * | 2022-10-09 | 2022-11-04 | 浙江啄云智能科技有限公司 | 一种图像处理方法、装置、设备和存储介质 |
CN115984640A (zh) * | 2022-11-28 | 2023-04-18 | 北京数美时代科技有限公司 | 一种基于组合蒸馏技术的目标检测方法、系统和存储介质 |
CN116071608A (zh) * | 2023-03-16 | 2023-05-05 | 浙江啄云智能科技有限公司 | 目标检测方法、装置、设备和存储介质 |
CN116071608B (zh) * | 2023-03-16 | 2023-06-06 | 浙江啄云智能科技有限公司 | 目标检测方法、装置、设备和存储介质 |
CN117115469A (zh) * | 2023-10-23 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 图像特征提取网络的训练方法、装置、存储介质及设备 |
CN117115469B (zh) * | 2023-10-23 | 2024-01-05 | 腾讯科技(深圳)有限公司 | 图像特征提取网络的训练方法、装置、存储介质及设备 |
CN117372819A (zh) * | 2023-12-07 | 2024-01-09 | 神思电子技术股份有限公司 | 用于有限模型空间的目标检测增量学习方法、设备及介质 |
CN117372819B (zh) * | 2023-12-07 | 2024-02-20 | 神思电子技术股份有限公司 | 用于有限模型空间的目标检测增量学习方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115147687A (zh) | 学生模型训练方法、装置、设备及存储介质 | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN113792851B (zh) | 字体生成模型训练方法、字库建立方法、装置及设备 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN112508126A (zh) | 深度学习模型训练方法、装置、电子设备及可读存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN112966744A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN112650885A (zh) | 视频分类方法、装置、设备和介质 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN114511743A (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
CN117333076A (zh) | 一种基于混合专家模型的估值方法、装置、设备及介质 | |
CN116758280A (zh) | 目标检测方法、装置、设备以及存储介质 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
CN114882315A (zh) | 样本生成方法、模型训练方法、装置、设备及介质 | |
CN114444606A (zh) | 模型训练和数据分类方法及装置 | |
CN113361621A (zh) | 用于训练模型的方法和装置 | |
CN112966607A (zh) | 模型训练方法、人脸视频生成方法、装置、设备和介质 | |
CN116071608B (zh) | 目标检测方法、装置、设备和存储介质 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
CN117251295B (zh) | 一种资源预测模型的训练方法、装置、设备及介质 |
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 |