CN118036704A - 基于跨层特征对齐的知识蒸馏方法及装置 - Google Patents

Abstract

本公开涉及知识蒸馏技术领域，提供了一种基于跨层特征对齐的知识蒸馏方法及装置。该方法包括：将教师模型和学生模型均划分为多个阶段网络和头网络；获取训练数据，将训练数据中的训练样本分别输入教师模型和学生模型，通过教师模型和学生模型的各个阶段网络输出对应的阶段特征，通过教师模型和学生模型的头网络输出对应的检测结果；依据教师模型和学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失；依据教师模型和学生模型的头网络输出对应的检测结果，计算检测损失；依据总跨层对齐损失和检测损失优化学生模型的模型参数。采用上述技术手段，解决现有技术中，知识蒸馏算法效果差的问题。

Description

基于跨层特征对齐的知识蒸馏方法及装置

技术领域

本公开涉及知识蒸馏技术领域，尤其涉及一种基于跨层特征对齐的知识蒸馏方法及装置。

背景技术

知识蒸馏算法是在训练学生模型时，利用一个训练好的教师模型约束学生模型的输出(实际上是利用教师模型优化学生模型的模型参数)。传统知识蒸馏算法仅是通过比对教师模型和学生模型各自最后处理得到的特征实现知识蒸馏，比对的特征是教师模型和学生模型最终处理的整体特征，缺少更细节的特征比对，导致传统知识蒸馏算法效果差。

发明内容

有鉴于此，本公开实施例提供了一种基于跨层特征对齐的知识蒸馏方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，知识蒸馏算法效果差的问题。

本公开实施例的第一方面，提供了一种基于跨层特征对齐的知识蒸馏方法，包括：将教师模型和学生模型均划分为多个阶段网络和头网络，其中，教师模型和学生模型均为目标检测模型，教师模型和学生模型被均划分的阶段网络的数量相同且对应；获取训练数据，将训练数据中的训练样本分别输入教师模型和学生模型，通过教师模型和学生模型的各个阶段网络输出对应的阶段特征，通过教师模型和学生模型的头网络输出对应的检测结果，其中，训练样本是关于对象的图像；依据教师模型和学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失；依据教师模型和学生模型的头网络输出对应的检测结果，计算检测损失；依据总跨层对齐损失和检测损失优化学生模型的模型参数，以完成从教师模型至学生模型的知识蒸馏。

本公开实施例的第二方面，提供了一种基于跨层特征对齐的知识蒸馏装置，包括：划分模块，被配置为将教师模型和学生模型均划分为多个阶段网络和头网络，其中，教师模型和学生模型均为目标检测模型，教师模型和学生模型被均划分的阶段网络的数量相同且对应；处理模块，被配置为获取训练数据，将训练数据中的训练样本分别输入教师模型和学生模型，通过教师模型和学生模型的各个阶段网络输出对应的阶段特征，通过教师模型和学生模型的头网络输出对应的检测结果，其中，训练样本是关于对象的图像；第一计算模块，被配置为依据教师模型和学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失；第二计算模块，被配置为依据教师模型和学生模型的头网络输出对应的检测结果，计算检测损失；优化模块，被配置为依据总跨层对齐损失和检测损失优化学生模型的模型参数，以完成从教师模型至学生模型的知识蒸馏。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例通过将教师模型和学生模型均划分为多个阶段网络和头网络，其中，教师模型和学生模型均为目标检测模型，教师模型和学生模型被均划分的阶段网络的数量相同且对应；获取训练数据，将训练数据中的训练样本分别输入教师模型和学生模型，通过教师模型和学生模型的各个阶段网络输出对应的阶段特征，通过教师模型和学生模型的头网络输出对应的检测结果，其中，训练样本是关于对象的图像；依据教师模型和学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失；依据教师模型和学生模型的头网络输出对应的检测结果，计算检测损失；依据总跨层对齐损失和检测损失优化学生模型的模型参数，以完成从教师模型至学生模型的知识蒸馏。采用上述技术手段，可以解决现有技术中，知识蒸馏算法效果差的问题，进而提高知识蒸馏效果。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术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公开的一些实施例，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它的附图。

图1是本公开实施例提供的一种基于跨层特征对齐的知识蒸馏方法的流程示意图；

图2是本公开实施例提供的一种计算跨层对齐损失的方法的示意图；

图3是本公开实施例提供的一种基于跨层特征对齐的知识蒸馏装置的结构示意图；

图4是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种基于跨层特征对齐的知识蒸馏方法和装置。

图1是本公开实施例提供的一种基于跨层特征对齐的知识蒸馏方法的流程示意图。图1的基于跨层特征对齐的知识蒸馏方法可以由计算机或服务器，或者计算机或服务器上的软件执行。如图1所示，该基于跨层特征对齐的知识蒸馏方法包括：

S101，将教师模型和学生模型均划分为多个阶段网络和头网络，其中，教师模型和学生模型均为目标检测模型，教师模型和学生模型被划分的阶段网络的数量相同且对应；

S102，获取训练数据，将训练数据中的训练样本分别输入教师模型和学生模型，通过教师模型和学生模型的各个阶段网络输出对应的阶段特征，通过教师模型和学生模型的头网络输出对应的检测结果，其中，训练样本是关于对象的图像；

S103，依据教师模型和学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失；

S104，依据教师模型和学生模型的头网络输出对应的检测结果，计算检测损失；

S105，依据总跨层对齐损失和检测损失优化学生模型的模型参数，以完成从教师模型至学生模型的知识蒸馏。

本公开实施例应用于目标检测领域，比如人脸识别，教师模型和学生模型均是人脸识别模型，区别在于教师模型是训练好的模型，学生模型是待训练的模型；训练样本是人的面部图像。教师模型和学生模型还可以存在区别，比如教师模型为重量级，学生模型为轻量级。教师模型和学生模型可以是同一种类型的人脸识别模型，也可以是不同类型的。常见的人脸识别模型有很多种，本公开实施例使用的人脸识别模型只要是常见的人脸识别模型即可，比如使用深度卷积神经网络。

教师模型和学生模型被均划分的阶段网络的数量相同且对应，教师模型和学生模型被划分的阶段网络的数量和教师模型和学生模型的结构相关。比如教师模型和学生模型为残差模型，则将教师模型和学生模型均划分为四个阶段网络，教师模型和学生模型的第一个阶段网络是对应的……第四个阶段网络是对应的。比如教师模型和学生模型为残差模型ResNet50，包含第零阶段网络Stage0、第一阶段网络Stage1、第二阶段网络Stage2、第三阶段网络Stage3和第四阶段网络Stage4。因为第零阶段网络是一些较为简单的预处理，所以第零阶段网络和第一阶段网络可以被还划分为一个阶段网络，所以残差模型可以被划分为四个阶段网络。教师模型和学生模型的头网络是其输出层或者分类层，包括全连接层和激活层，用于基于最后一个阶段网络输出对应的阶段特征确定训练样本的检测结果。检测结果是训练样本中对象的识别结果。

根据本公开实施例提供的技术方案，将教师模型和学生模型均划分为多个阶段网络和头网络，其中，教师模型和学生模型均为目标检测模型，教师模型和学生模型被均划分的阶段网络的数量相同且对应；获取训练数据，将训练数据中的训练样本分别输入教师模型和学生模型，通过教师模型和学生模型的各个阶段网络输出对应的阶段特征，通过教师模型和学生模型的头网络输出对应的检测结果，其中，训练样本是关于对象的图像；依据教师模型和学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失；依据教师模型和学生模型的头网络输出对应的检测结果，计算检测损失；依据总跨层对齐损失和检测损失优化学生模型的模型参数，以完成从教师模型至学生模型的知识蒸馏。采用上述技术手段，可以解决现有技术中，知识蒸馏算法效果差的问题，进而提高知识蒸馏效果。

进一步地，依据总跨层对齐损失和检测损失优化学生模型的模型参数，以完成从教师模型至学生模型的知识蒸馏之前，方法还包括：依据教师模型和学生模型的各个阶段网络输出对应的阶段特征，利用特征对齐损失函数计算总跨层对齐损失；依据教师模型和学生模型的头网络输出对应的检测结果，利用交叉熵损失函数计算检测损失。

特征对齐损失函数可以使用欧氏距离损失函数或者余弦损失函数，也就是将最终阶段特征之间的欧氏距离或者余弦相似度作为总跨层对齐损失。

图2是本公开实施例提供的一种计算跨层对齐损失的方法的示意图。如图2所示，该方法包括：

S201，利用特征对齐损失函数计算教师模型和学生模型对应阶段网络输出的阶段特征之间的第一对齐损失，对教师模型和学生模型所有对应阶段网络输出的阶段特征之间的第一对齐损失进行加权求和，得到第一跨层对齐损失；

S202，利用特征对齐损失函数计算教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失，对教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失进行加权求和，得到第二跨层对齐损失；

S203，利用特征对齐损失函数计算学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失，对学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失进行加权求和，得到第三跨层对齐损失；

S204，按照第一预设权重对第一跨层对齐损失、第二跨层对齐损失和第三跨层对齐损失进行加权求和，得到总跨层对齐损失。

比如将教师模型和学生模型均划分为四个阶段网络，教师模型输出的阶段特征是第一教师阶段特征、第二教师阶段特征、第三教师阶段特征和第四教师阶段特征，学生模型输出的阶段特征是第一学生阶段特征、第二学生阶段特征、第三学生阶段特征和第四学生阶段特征。利用特征对齐损失函数计算第一教师阶段特征与第一学生阶段特征之间的第一对齐损失，计算第二教师阶段特征与第二学生阶段特征之间的第一对齐损失，计算第三教师阶段特征与第三学生阶段特征之间的第一对齐损失，计算第四教师阶段特征与第四学生阶段特征之间的第一对齐损失，对所有第一对齐损失进行加权求和，得到第一跨层对齐损失。需要说明的是，还可以是计算教师模型任意一个阶段网络和学生模型任意一个阶段网络输出的阶段特征之间的第一对齐损失，该方法总共可以计算得到16个第一对齐损失。

利用特征对齐损失函数计算第一教师阶段特征与其自身之间的第二对齐损失，计算第一教师阶段特征与第二教师阶段特征之间的第二对齐损失，计算第一教师阶段特征与第三教师阶段特征之间的第二对齐损失，计算第一教师阶段特征与第四教师阶段特征之间的第二对齐损失……计算第四教师阶段特征与其自身之间的第二对齐损失，该方法总共可以计算得到16个第二对齐损失，对所有第二对齐损失进行加权求和，得到第二跨层对齐损失。

利用特征对齐损失函数计算第一学生阶段特征与其自身之间的第三对齐损失，计算第一学生阶段特征与第二学生阶段特征之间的第三对齐损失，计算第一学生阶段特征与第三学生阶段特征之间的第三对齐损失，计算第一学生阶段特征与第四学生阶段特征之间的第三对齐损失……计算第四学生阶段特征与其自身之间的第三对齐损失，该方法总共可以计算得到16个第三对齐损失，对所有第三对齐损失进行加权求和，得到第三跨层对齐损失。

第一预设权重中第二跨层对齐损失和第三跨层对齐损失对应的权重互为相反数，第三跨层对齐损失是为了维持学生模型所有阶段特征的一致性，第二跨层对齐损失是用维持教师模型所有阶段特征的一致性平衡维持学生模型所有阶段特征的一致性的对优化学生模型带来的误差。因为学生模型所有阶段特征即具有共同的特点(一致性)，也存在差异。

更进一步地，对教师模型和学生模型所有对应阶段网络输出的阶段特征之间的第一对齐损失进行加权求和，得到第一跨层对齐损失，包括：计算教师模型和学生模型对应阶段网络输出的阶段特征之间的相似度；将教师模型和学生模型对应阶段网络输出的阶段特征之间的相似度作为教师模型和学生模型对应阶段网络输出的阶段特征之间的第一对齐损失的权重，对教师模型和学生模型所有对应阶段网络输出的阶段特征之间的对齐损失进行加权求和，得到第一跨层对齐损失。

比如将教师模型和学生模型均划分为四个阶段网络，教师模型输出的阶段特征是第一教师阶段特征、第二教师阶段特征、第三教师阶段特征和第四教师阶段特征，学生模型输出的阶段特征是第一学生阶段特征、第二学生阶段特征、第三学生阶段特征和第四学生阶段特征。计算第一教师阶段特征与第一学生阶段特征之间的相似度，该相似度作为第一教师阶段特征与第一学生阶段特征之间的第一对齐损失的权重……按照各个第一对齐损失对应的权重，对所有第一对齐损失进行加权求和，得到第一跨层对齐损失。

更进一步地，对教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失进行加权求和，得到第二跨层对齐损失，包括：计算教师模型中任意两个阶段网络输出的阶段特征之间的相似度；将教师模型中任意两个阶段网络输出的阶段特征之间的相似度作为教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失的权重，对教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失进行加权求和，得到第二跨层对齐损失。

比如将教师模型划分为四个阶段网络，教师模型输出的阶段特征是第一教师阶段特征、第二教师阶段特征、第三教师阶段特征和第四教师阶段特征。计算第一教师阶段特征与其自身之间的相似度，该相似度作为第一教师阶段特征与其自身之间的第二对齐损失的权重……按照各个第二对齐损失对应的权重，对所有第二对齐损失进行加权求和，得到第二跨层对齐损失。

更进一步地，对学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失进行加权求和，得到第三跨层对齐损失，包括：计算学生模型中任意两个阶段网络输出的阶段特征之间的相似度；将学生模型中任意两个阶段网络输出的阶段特征之间的相似度作为学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失的权重，对学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失进行加权求和，得到第三跨层对齐损失。

比如将学生模型划分为四个阶段网络，学生模型输出的阶段特征是第一学生阶段特征、第二学生阶段特征、第三学生阶段特征和第四学生阶段特征。计算第一学生阶段特征与其自身之间的相似度，该相似度作为第一学生阶段特征与其自身之间的第二对齐损失的权重……按照各个第二对齐损失对应的权重，对所有第二对齐损失进行加权求和，得到第二跨层对齐损失。

进一步地，分别计算各个批次中任意两个训练样本的教师模型特征和学生模型特征各自对应的教师模型特征距离和学生模型特征距离之后，方法还包括：按照第二预设权重对总跨层对齐损失和检测损失进行加权求和，得到总损失；依据总损失优化学生模型的模型参数，以完成从教师模型至学生模型的知识蒸馏。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的一种基于跨层特征对齐的知识蒸馏装置的示意图。如图3所示，该基于跨层特征对齐的知识蒸馏装置包括：

划分模块301，被配置为将教师模型和学生模型均划分为多个阶段网络和头网络，其中，教师模型和学生模型均为目标检测模型，教师模型和学生模型被均划分的阶段网络的数量相同且对应；

处理模块302，被配置为获取训练数据，将训练数据中的训练样本分别输入教师模型和学生模型，通过教师模型和学生模型的各个阶段网络输出对应的阶段特征，通过教师模型和学生模型的头网络输出对应的检测结果，其中，训练样本是关于对象的图像；

第一计算模块303，被配置为依据教师模型和学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失；

第二计算模块304，被配置为依据教师模型和学生模型的头网络输出对应的检测结果，计算检测损失；

优化模块305，被配置为依据总跨层对齐损失和检测损失优化学生模型的模型参数，以完成从教师模型至学生模型的知识蒸馏。

根据本公开实施例提供的技术方案，将教师模型和学生模型均划分为多个阶段网络和头网络，其中，教师模型和学生模型均为目标检测模型，教师模型和学生模型被均划分的阶段网络的数量相同且对应；获取训练数据，将训练数据中的训练样本分别输入教师模型和学生模型，通过教师模型和学生模型的各个阶段网络输出对应的阶段特征，通过教师模型和学生模型的头网络输出对应的检测结果，其中，训练样本是关于对象的图像；依据教师模型和学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失；依据教师模型和学生模型的头网络输出对应的检测结果，计算检测损失；依据总跨层对齐损失和检测损失优化学生模型的模型参数，以完成从教师模型至学生模型的知识蒸馏。采用上述技术手段，可以解决现有技术中，知识蒸馏算法效果差的问题，进而提高知识蒸馏效果。

在一些实施例中，第一计算模块303还被配置为依据教师模型和学生模型的各个阶段网络输出对应的阶段特征，利用特征对齐损失函数计算总跨层对齐损失；依据教师模型和学生模型的头网络输出对应的检测结果，利用交叉熵损失函数计算检测损失。

在一些实施例中，第一计算模块303还被配置为利用特征对齐损失函数计算教师模型和学生模型对应阶段网络输出的阶段特征之间的第一对齐损失，对教师模型和学生模型所有对应阶段网络输出的阶段特征之间的第一对齐损失进行加权求和，得到第一跨层对齐损失；利用特征对齐损失函数计算教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失，对教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失进行加权求和，得到第二跨层对齐损失；利用特征对齐损失函数计算学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失，对学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失进行加权求和，得到第三跨层对齐损失；按照第一预设权重对第一跨层对齐损失、第二跨层对齐损失和第三跨层对齐损失进行加权求和，得到总跨层对齐损失。

在一些实施例中，第一计算模块303还被配置为计算教师模型和学生模型对应阶段网络输出的阶段特征之间的相似度；将教师模型和学生模型对应阶段网络输出的阶段特征之间的相似度作为教师模型和学生模型对应阶段网络输出的阶段特征之间的第一对齐损失的权重，对教师模型和学生模型所有对应阶段网络输出的阶段特征之间的对齐损失进行加权求和，得到第一跨层对齐损失。

在一些实施例中，第一计算模块303还被配置为计算教师模型中任意两个阶段网络输出的阶段特征之间的相似度；将教师模型中任意两个阶段网络输出的阶段特征之间的相似度作为教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失的权重，对教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失进行加权求和，得到第二跨层对齐损失。

在一些实施例中，第一计算模块303还被配置为计算学生模型中任意两个阶段网络输出的阶段特征之间的相似度；将学生模型中任意两个阶段网络输出的阶段特征之间的相似度作为学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失的权重，对学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失进行加权求和，得到第三跨层对齐损失。

在一些实施例中，优化模块304还被配置为按照第二预设权重对总跨层对齐损失和检测损失进行加权求和，得到总损失；依据总损失优化学生模型的模型参数，以完成从教师模型至学生模型的知识蒸馏。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者不同的部件。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于跨层特征对齐的知识蒸馏方法，应用于目标检测领域，其特征在于，包括：

将教师模型和学生模型均划分为多个阶段网络和头网络，其中，所述教师模型和所述学生模型均为目标检测模型，所述教师模型和所述学生模型被划分的阶段网络的数量相同且对应；

获取训练数据，将所述训练数据中的训练样本分别输入所述教师模型和所述学生模型，通过所述教师模型和所述学生模型的各个阶段网络输出对应的阶段特征，通过所述教师模型和所述学生模型的头网络输出对应的检测结果，其中，所述训练样本是关于对象的图像；

依据所述教师模型和所述学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失；

依据所述教师模型和所述学生模型的头网络输出对应的检测结果，计算检测损失；

依据所述总跨层对齐损失和所述检测损失优化所述学生模型的模型参数，以完成从所述教师模型至所述学生模型的知识蒸馏。

2.根据权利要求1所述的方法，其特征在于，依据所述总跨层对齐损失和所述检测损失优化所述学生模型的模型参数，以完成从所述教师模型至所述学生模型的知识蒸馏之前，所述方法还包括：

依据所述教师模型和所述学生模型的各个阶段网络输出对应的阶段特征，利用特征对齐损失函数计算所述总跨层对齐损失；

依据所述教师模型和所述学生模型的头网络输出对应的检测结果，利用交叉熵损失函数计算所述检测损失。

3.根据权利要求1所述的方法，其特征在于，依据所述教师模型和所述学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失，包括：

利用所述特征对齐损失函数计算所述教师模型和所述学生模型对应阶段网络输出的阶段特征之间的第一对齐损失，对所述教师模型和所述学生模型所有对应阶段网络输出的阶段特征之间的第一对齐损失进行加权求和，得到第一跨层对齐损失；

利用所述特征对齐损失函数计算所述教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失，对所述教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失进行加权求和，得到第二跨层对齐损失；

利用所述特征对齐损失函数计算所述学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失，对所述学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失进行加权求和，得到第三跨层对齐损失；

按照第一预设权重对所述第一跨层对齐损失、所述第二跨层对齐损失和所述第三跨层对齐损失进行加权求和，得到所述总跨层对齐损失。

4.根据权利要求1所述的方法，其特征在于，对所述教师模型和所述学生模型所有对应阶段网络输出的阶段特征之间的第一对齐损失进行加权求和，得到第一跨层对齐损失，包括：

计算所述教师模型和所述学生模型对应阶段网络输出的阶段特征之间的相似度；

将所述教师模型和所述学生模型对应阶段网络输出的阶段特征之间的相似度作为所述教师模型和所述学生模型对应阶段网络输出的阶段特征之间的第一对齐损失的权重，对所述教师模型和所述学生模型所有对应阶段网络输出的阶段特征之间的对齐损失进行加权求和，得到所述第一跨层对齐损失。

5.根据权利要求1所述的方法，其特征在于，对所述教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失进行加权求和，得到第二跨层对齐损失，包括：

计算所述教师模型中任意两个阶段网络输出的阶段特征之间的相似度；

将所述教师模型中任意两个阶段网络输出的阶段特征之间的相似度作为所述教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失的权重，对所述教师模型中任意两个阶段网络输出的阶段特征之间的第二对齐损失进行加权求和，得到所述第二跨层对齐损失。

6.根据权利要求1所述的方法，其特征在于，对所述学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失进行加权求和，得到第三跨层对齐损失，包括：

计算所述学生模型中任意两个阶段网络输出的阶段特征之间的相似度；

将所述学生模型中任意两个阶段网络输出的阶段特征之间的相似度作为所述学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失的权重，对所述学生模型中任意两个阶段网络输出的阶段特征之间的第三对齐损失进行加权求和，得到所述第三跨层对齐损失。

7.根据权利要求1所述的方法，其特征在于，分别计算各个批次中任意两个训练样本的教师模型特征和学生模型特征各自对应的教师模型特征距离和学生模型特征距离之后，所述方法还包括：

按照第二预设权重对所述总跨层对齐损失和所述检测损失进行加权求和，得到总损失；

依据所述总损失优化所述学生模型的模型参数，以完成从所述教师模型至所述学生模型的知识蒸馏。

8.一种基于跨层特征对齐的知识蒸馏装置，其特征在于，包括：

划分模块，被配置为将教师模型和学生模型均划分为多个阶段网络和头网络，其中，所述教师模型和所述学生模型均为目标检测模型，所述教师模型和所述学生模型被均划分的阶段网络的数量相同且对应；

处理模块，被配置为获取训练数据，将所述训练数据中的训练样本分别输入所述教师模型和所述学生模型，通过所述教师模型和所述学生模型的各个阶段网络输出对应的阶段特征，通过所述教师模型和所述学生模型的头网络输出对应的检测结果，其中，所述训练样本是关于对象的图像；

第一计算模块，被配置为依据所述教师模型和所述学生模型的各个阶段网络输出对应的阶段特征，利用跨层监督网络计算总跨层对齐损失；

第二计算模块，被配置为依据所述教师模型和所述学生模型的头网络输出对应的检测结果，计算检测损失；

优化模块，被配置为依据所述总跨层对齐损失和所述检测损失优化所述学生模型的模型参数，以完成从所述教师模型至所述学生模型的知识蒸馏。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。