[发明专利]用于目标检测的神经网络训练方法、装置、设备、介质

权利要求书

1.一种用于目标检测的神经网络训练方法，其特征在于，包括：

S1：将检测目标图像输入teacher网络、student网络；

S2：将所述student网络的基础网络第四层的通道数量扩充到与所述teacher网络的基础网络第四层的通道数量相同；所述teacher网络中的基础网络第四层的第一特征值、所述student网络中的基础网络第四层的扩充后的第二特征值输入到L2 Loss函数；将所述student网络的RPN网络、FasterRCNN头部分类网络接入所述检测目标图像的矩形框以及对应的检测类别；将所述L2 Loss、所述RPN网络的标准Loss函数和FasterRCNN头部分类网络的标准Loss函数的结果确定为比对结果，对所述student网络的基础网络、所述RPN网络和所述FasterRCNN头部分类网络同时进行反向传播训练；

S3：利用所述比对结果，对所述student网络进行调整，并进入步骤S2，直到得到的比对结果小于预设阈值，以得到训练后的student网络；

其中，所述student网络包括基础网络、RPN网络、FasterRCNN头部分类网络；所述teacher网络的基础网络与所述student网络的基础网络总体构架相同；所述teacher网络处于前向预测模式，所述student网络处于训练模式；所述teacher网络的基础网络的通道数比所述student网络的基础网络的通道数多；所述检测目标图像，设有检测目标的矩形框以及所述检测目标的标签类别。

2.根据权利要求1所述的神经网络训练方法，其特征在于，所述L2 Loss函数为：s为teacher网络中的基础网络第四层的第一特征值；t为student网络中的基础网络第四层的第二特征值；r(t)为student网络中的基础网络第四层的扩充后的第二特征值；所述N为s-r(t)的元素个数。

3.一种用于目标检测的神经网络训练装置，其特征在于，包括：

目标图像输入模块，用于实现步骤S1：将检测目标图像输入teacher网络、student网络；

特征比较模块，包括：通道调整单元，用于将所述student网络的基础网络第四层的通道数量扩充到与所述teacher网络的基础网络第四层的通道数量相同；特征值输入单元，用于所述teacher网络中的基础网络第四层的第一特征值、所述student网络中的基础网络第四层的扩充后的第二特征值输入到L2Loss函数；

FasterRCNN网络接入模块，用于将所述student网络的RPN网络、FasterRCNN头部分类网络接入所述检测目标图像的矩形框以及对应的检测类别；

网络损失计算模块，用于将所述L2 Loss、所述RPN网络的标准Loss函数和FasterRCNN头部分类网络的标准Loss函数的结果确定为比对结果，对所述student网络的基础网络、所述RPN网络和所述FasterRCNN头部分类网络同时进行反向传播训练；

网络调整模块，用于实现步骤S3：利用所述比对结果，对所述student网络进行调整，并进入步骤S2，直到得到的比对结果小于预设阈值，以得到训练后的student网络；

其中，所述student网络包括基础网络、RPN网络、FasterRCNN头部分类网络；所述teacher网络的基础网络与所述student网络的基础网络总体构架相同；所述teacher网络处于前向预测模式，所述student网络处于训练模式；所述teacher网络的通道数比所述student网络的通道数多；所述检测目标图像，设有检测目标的矩形框以及所述检测目标的标签类别。

4.根据权利要求3所述的神经网络训练装置，其特征在于，所述L2 Loss函数为：s为teacher网络中第四层的第一特征值；t为student网络中的第四层的第二特征值；r(t)为student网络中的第四层的扩充后的第二特征值；所述N为s-r(t)的元素个数。

5.一种用于目标检测的神经网络训练设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述用于目标检测的神经网络训练方法的步骤。

6.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述用于目标检测的神经网络训练方法的步骤。