[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

说明书

本发明提供用于目标检测的神经网络训练方法、装置、设备、介质，该方法包括：S1：将检测目标图像输入teacher网络、student网络；S2：将所述teacher网络中第四层的第一特征值、所述student网络中的第四层的第二特征值，进行比较，得到比对结果；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teacher网络与所述student网络的总体构架相同；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。本发明针对检测目标图像，占用计算资源小。

技术领域

本发明实施例涉及图像处理技术领域，具体涉及一种用于目标检测的神经网络训练方法、装置、设备、介质。

背景技术

神经网络在人工智能(AI)领域快速发展，推动了图像分类、目标检测等各领域的进步。但深度神经网络的准确度提高的同时，深度在不断加深，网络参数也在不断增多，随之带来的便是模型变大，算法执行速度变慢，从而不便于在某些场景下应用，比如：资源受限场景(手机、嵌入式设备)，需要实时分析的场景(实时监控)，成本受限的场景(GPU资源有限)等等。

因此，如何在目标检测的过程中，在对目标进行识别的同时，能够减少对计算资源的需求，是本领域技术人员亟待解决的技术问题。

发明内容

为此，本发明实施例提供一种用于目标检测的神经网络训练方法、装置、设备、介质，在目标检测的过程中，在对目标进行识别的同时，能够减少对计算资源的需求。

为了实现上述目的，本发明实施例提供如下技术方案：

第一方面，本发明提供一种用于目标检测的神经网络训练方法，该方法包括：

S1：将检测目标图像输入teacher网络、student网络；

S2：将所述teacher网络中第四层的第一特征值、所述student网络中的第四层的第二特征值，进行比较，得到比对结果；

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teacher网络与所述student网络的总体构架相同；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。

优选地，

在所述步骤S2：将所述teacher网络中第四层的第一特征值、所述student网络中的第四层的第二特征值，进行比较，得到比对结果的同时，还包括：

将所述student网络的RPN网络接入所述检测目标图像的所述矩形框以及对应的检测类别；

利用所述RPN网络的FasterRCNN标准Loss函数对所述RPN网络进行反向传播训练，得到训练后的RPN网络。

优选地，

在所述步骤S2：将所述teacher网络中第四层的第一特征值、所述student网络中的第四层的第二特征值，进行比较，得到比对结果的同时，还包括：

将所述student网络的RPN网络、FasterRCNN头部网络接入所述检测目标图像的所述矩形框以及对应的检测类别；