【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及計(jì)算機(jī)視覺，具體地，涉及一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法、存儲(chǔ)介質(zhì)及設(shè)備。
技術(shù)介紹
1、目標(biāo)檢測是一種計(jì)算機(jī)視覺技術(shù)，能夠在圖像或視頻中識(shí)別和定位特定對(duì)象，該技術(shù)在許多領(lǐng)域中有著重要的應(yīng)用，涉及到工業(yè)、醫(yī)療、交通等方面。首先，目標(biāo)檢測在自動(dòng)駕駛領(lǐng)域中扮演著關(guān)鍵角色，自動(dòng)駕駛汽車依賴目標(biāo)檢測來識(shí)別道路上的其他車輛、行人、交通信號(hào)燈和標(biāo)志，這確保了車輛在復(fù)雜交通環(huán)境中的安全運(yùn)行。其次，目標(biāo)檢測在安全監(jiān)控方面也非常重要，在公共場所或敏感區(qū)域的監(jiān)控系統(tǒng)中，目標(biāo)檢測可以幫助識(shí)別潛在的威脅，例如可疑的人物或無人機(jī)，這有助于預(yù)防犯罪活動(dòng)，并在緊急情況下提供快速響應(yīng)。
2、早期的目標(biāo)檢測方法，如r-cnn系列，采用區(qū)域提議的方法，通過生成可能的候選區(qū)域，然后使用cnn對(duì)每個(gè)區(qū)域進(jìn)行分類，這種方法雖然準(zhǔn)確性較高，但計(jì)算成本很大，處理速度相對(duì)較慢。
3、yolo系列則改變了這種方法，采用單一的神經(jīng)網(wǎng)絡(luò)進(jìn)行端到端的檢測，它將整個(gè)圖像作為輸入，然后直接輸出多個(gè)邊界框和對(duì)應(yīng)的類別預(yù)測，這樣的設(shè)計(jì)使得yolo在保持較高準(zhǔn)確性的同時(shí)，能夠以極快的速度進(jìn)行檢測。yolo的出現(xiàn)引領(lǐng)了目標(biāo)檢測技術(shù)的發(fā)展，許多后續(xù)的目標(biāo)檢測方法都采用了類似的架構(gòu)。盡管yolo系列算法在業(yè)界已經(jīng)取得了廣泛的認(rèn)可，其在檢測精度和速度上取得了不錯(cuò)的權(quán)衡，但是由于網(wǎng)絡(luò)參數(shù)的限制，在很多邊緣、移動(dòng)設(shè)備上仍然難以應(yīng)用：比如從yolov3到y(tǒng)olov8，模型結(jié)構(gòu)不斷復(fù)雜化，包括卷積層、特征提取層、殘差模塊、跨層連接等，這種結(jié)構(gòu)增加了模型的
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)中存在的問題，本專利技術(shù)提供了一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法、存儲(chǔ)介質(zhì)及設(shè)備，將教師模型的知識(shí)遷移到學(xué)生模型，從而在不增加學(xué)生模型參數(shù)量的前提下，通過前背景拆分和學(xué)習(xí)路徑特征蒸餾使學(xué)生模型的目標(biāo)檢測性能逼近教師模型，且具有資源消耗低、推理速度快、適用于移動(dòng)設(shè)備的特性。
2、為實(shí)現(xiàn)上述技術(shù)目的，本專利技術(shù)采用如下技術(shù)方案：
3、一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，具體包括如下步驟：
4、步驟1、收集不同類別的目標(biāo)檢測圖片，將每張目標(biāo)檢測圖片進(jìn)行目標(biāo)框及目標(biāo)類別標(biāo)記，得到標(biāo)記圖片；
5、步驟2、將標(biāo)記圖片分別輸入教師模型和學(xué)生模型中，基于前背景拆分和學(xué)習(xí)路徑進(jìn)行特征蒸餾，并根據(jù)教師模型和學(xué)生模型之間的特征蒸餾損失函數(shù)指導(dǎo)學(xué)生模型的訓(xùn)練，直至總損失函數(shù)收斂，完成對(duì)學(xué)生模型的訓(xùn)練；
6、步驟3、將實(shí)時(shí)采集的目標(biāo)檢測圖片輸入訓(xùn)練好的學(xué)生模型中進(jìn)行推理，得到目標(biāo)的類別和位置信息。
7、進(jìn)一步地，步驟2包括如下子步驟：
8、步驟2.1、將標(biāo)記圖片分別輸入教師模型和學(xué)生模型中進(jìn)行學(xué)習(xí)路徑特征蒸餾，分別計(jì)算教師模型和學(xué)生模型的學(xué)習(xí)路徑，并根據(jù)教師模型和學(xué)生模型的學(xué)習(xí)路徑建立學(xué)習(xí)路徑特征蒸餾損失函數(shù)；
9、步驟2.2、將標(biāo)記圖片在教師模型和學(xué)生模型中進(jìn)行前背景拆分特征蒸餾，輸出教師模型特征圖和學(xué)生模型特征圖，并根據(jù)教師模型特征圖和學(xué)生模型特征圖建立前背景拆分特征蒸餾損失函數(shù)；
10、步驟2.3、將步驟2.1建立的學(xué)習(xí)路徑特征蒸餾損失函數(shù)和步驟2.2建立的前背景拆分特征蒸餾損失函數(shù)進(jìn)行加權(quán)，得到總特征蒸餾損失函數(shù)，將總特征蒸餾損失函數(shù)結(jié)合類別預(yù)測損失函數(shù)和目標(biāo)框預(yù)測損失函數(shù)建立學(xué)生模型訓(xùn)練的總損失函數(shù)；
11、步驟2.4、重復(fù)步驟2.1-2.3，直至總損失函數(shù)收斂，完成對(duì)學(xué)生模型的訓(xùn)練。
12、進(jìn)一步地，步驟2.1包括如下子步驟：
13、步驟2.1.1、將標(biāo)記圖片分別輸入教師模型和學(xué)生模型中，獲取教師模型的骨干網(wǎng)絡(luò)輸出特征圖、教師模型的頸部網(wǎng)絡(luò)輸出特征圖、學(xué)生模型的骨干網(wǎng)絡(luò)輸出特征圖和學(xué)生模型的頸部網(wǎng)絡(luò)輸出特征圖；
14、步驟2.1.2、根據(jù)教師模型的骨干網(wǎng)絡(luò)輸出特征圖和教師模型的頸部網(wǎng)絡(luò)輸出特征圖計(jì)算教師模型的骨干網(wǎng)絡(luò)到頸部網(wǎng)絡(luò)之間的學(xué)習(xí)路徑，根據(jù)學(xué)生模型的骨干網(wǎng)絡(luò)輸出特征圖和學(xué)生模型的頸部網(wǎng)絡(luò)輸出特征圖計(jì)算學(xué)生模型的骨干網(wǎng)絡(luò)到頸部網(wǎng)絡(luò)之間的學(xué)習(xí)路徑；
15、步驟2.1.3、根據(jù)教師模型的骨干網(wǎng)絡(luò)到頸部網(wǎng)絡(luò)之間的學(xué)習(xí)路徑與學(xué)生模型的骨干網(wǎng)絡(luò)到頸部網(wǎng)絡(luò)之間的學(xué)習(xí)路徑建立學(xué)習(xí)路徑特征蒸餾損失函數(shù)。
16、進(jìn)一步地，步驟2.1.3中建立的學(xué)習(xí)路徑特征蒸餾損失函數(shù) l fsp具體為：
17、，
18、其中， n表示學(xué)習(xí)路徑的總數(shù)量， n=x× y； x表示骨干網(wǎng)絡(luò)的通道總數(shù)量， x表示 x的索引， y表示頸部網(wǎng)絡(luò)的通道總數(shù)量， y表示 y的索引；表示教師模型 t的骨干網(wǎng)絡(luò)中第 x個(gè)通道到頸部網(wǎng)絡(luò)中第 y個(gè)通道的學(xué)習(xí)路徑，， h和 w分別表示預(yù)測的目標(biāo)框的高度和寬度， h表示 h的索引， w表示 w的索引，表示教師模型骨干網(wǎng)絡(luò) tb的第 x個(gè)通道中預(yù)測的目標(biāo)框像素點(diǎn)( h,w)的輸出特征，表示教師模型頸部網(wǎng)絡(luò) tn的第 y個(gè)通道中預(yù)測的目標(biāo)框像素點(diǎn)( h,w)的輸出特征；表示學(xué)生模型 s的骨干網(wǎng)絡(luò)中第 x個(gè)通道到頸部網(wǎng)絡(luò)中第 y個(gè)通道的學(xué)習(xí)路徑，，表示學(xué)生模型骨干網(wǎng)絡(luò) sb的第 x個(gè)通道中預(yù)測的目標(biāo)框像素點(diǎn)( h,w)的輸出特征，表示學(xué)生模型頸部網(wǎng)絡(luò) sn的第 y個(gè)通道中預(yù)測的目標(biāo)框像素點(diǎn)( h,w)的輸出特征；表示由骨干網(wǎng)絡(luò)第 x個(gè)通道到頸部網(wǎng)絡(luò)第 本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，具體包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，步驟2包括如下子步驟：
3.根據(jù)權(quán)利要求2所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，步驟2.1包括如下子步驟：
4.根據(jù)權(quán)利要求3所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，步驟2.1.3中建立的學(xué)習(xí)路徑特征蒸餾損失函數(shù)Lfsp具體為：
5.根據(jù)權(quán)利要求4所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，步驟2.2包括如下子步驟：
6.根據(jù)權(quán)利要求5所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，總特征蒸餾損失函數(shù)LKD為：
7.根據(jù)權(quán)利要求6所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，所述學(xué)生模型的總損失函數(shù)具體為：
8.根據(jù)權(quán)利要求7所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于
9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序使計(jì)算機(jī)執(zhí)行如權(quán)利要求1-8任一項(xiàng)所述的基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法。
10.一種電子設(shè)備，其特征在于，包括：存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)如權(quán)利要求1-8任一項(xiàng)所述的基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法。
...【技術(shù)特征摘要】
1.一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，具體包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，步驟2包括如下子步驟：
3.根據(jù)權(quán)利要求2所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，步驟2.1包括如下子步驟：
4.根據(jù)權(quán)利要求3所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，步驟2.1.3中建立的學(xué)習(xí)路徑特征蒸餾損失函數(shù)lfsp具體為：
5.根據(jù)權(quán)利要求4所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的目標(biāo)檢測方法，其特征在于，步驟2.2包括如下子步驟：
6.根據(jù)權(quán)利要求5所述的一種基于前背景拆分和學(xué)習(xí)路徑特征蒸餾的...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：鐘良琪，周翔，王云軒，冉旭，閆勝業(yè)，
申請(qǐng)(專利權(quán))人：江蘇源駛科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。