[发明专利]基于迁移学习的人物检测方法和系统

权利要求书

1.一种基于迁移学习的人物检测方法，其特征在于，包括：

步骤1、构建用于图像目标检测的教师网络和其对应的学生网络，获取已标注人物类别标签的图片数据集作为训练数据集；

步骤2、以该训练数据集对该教师网络和该学生网络进行训练时，提取老师网络每层目标检测FPN的分类分支输出，得到包括NCHW四个通道输出结果的四维矩阵；

步骤3、通过在该四维矩阵的C通道方向求和，得到NHW维度的特征矩阵作为特征掩码矩阵，基于该特征掩码矩阵、老师网络和学生网络的FPN特征图，得到特征图约束损失；

步骤4、对教师网络的损失、学生网络的损失和该特征图约束损失进行求和，得到蒸馏损失。

步骤5、重复迭代执行该步骤2到该步骤4，直到该蒸馏损失收敛或达到预设重复迭代次数，终止训练，将当前学生网络作为人物检测模型，并使用该人物检测模型对图片中的人物进行检测。

2.如权利要求1所述的基于迁移学习的人物检测方法，其特征在于，

该步骤2包括：分别根据老师网络和学生网络每层目标检测FPN中特征包含的目标对象信息量，得到老师网络每层目标检测FPN的老师特征丰富度得分和学生网络每层目标检测FPN的学生特征丰富度得分；

该步骤3包括：基于该老师特征丰富度得分和该学生特征丰富度得分，得到分类头约束损失；

该步骤4包括：对教师网络的损失、学生网络的损失、该特征图约束损失和该分类头约束损失进行求和，得到该蒸馏损失。

3.如权利要求1所述的基于迁移学习的人物检测方法，其特征在于，该特征图约束损失：

式中M代表FPN的总层数，W，H分别代表特征图的宽度和高度，l为对应FPN的层数，i,j代表特征图上点的坐标；分别代表着老师网络和学生网络第L层对应的FPN特征图，φ_adapt为自适应卷积层。

4.如权利要求2所述的基于迁移学习的人物检测方法，其特征在于，该分类头约束损失：

式中M代表FPN的层数，W，H代表特征图的宽度和高度，分别代表着老师网络和学生网络第l层对应的老师特征丰富度得分和学生特征丰富度得分，φ为二进制交叉熵函数。

5.一种基于迁移学习的人物检测系统，其特征在于，包括：

模块1，用于构建用于图像目标检测的教师网络和其对应的学生网络，获取已标注人物类别标签的图片数据集作为训练数据集；

模块2，用于以该训练数据集对该教师网络和该学生网络进行训练时，提取老师网络每层目标检测FPN的分类分支输出，得到包括NCHW四个通道输出结果的四维矩阵；

模块3，用于通过在该四维矩阵的C通道方向求和，得到NHW维度的特征矩阵作为特征掩码矩阵，基于该特征掩码矩阵、老师网络和学生网络的FPN特征图，得到特征图约束损失；

模块4，用于对教师网络的损失、学生网络的损失和该特征图约束损失进行求和，得到蒸馏损失。

模块5、重复迭代执行该模块2到该模块4，直到该蒸馏损失收敛或达到预设重复迭代次数，终止训练，将当前学生网络作为人物检测模型，并使用该人物检测模型对图片中的人物进行检测。

6.如权利要求5所述的基于迁移学习的人物检测系统，其特征在于，

该模块2包括：分别根据老师网络和学生网络每层目标检测FPN中特征包含的目标对象信息量，得到老师网络每层目标检测FPN的老师特征丰富度得分和学生网络每层目标检测FPN的学生特征丰富度得分；

该模块3包括：基于该老师特征丰富度得分和该学生特征丰富度得分，得到分类头约束损失；

该模块4包括：对教师网络的损失、学生网络的损失、该特征图约束损失和该分类头约束损失进行求和，得到该蒸馏损失。

7.如权利要求5所述的基于迁移学习的人物检测系统，其特征在于，该特征图约束损失：

式中M代表FPN的总层数，W，H分别代表特征图的宽度和高度，l为对应FPN的层数，i,j代表特征图上点的坐标；分别代表着老师网络和学生网络第L层对应的FPN特征图，φ_adapt为自适应卷积层。