[发明专利]目标检测模型的训练及身份验证方法和装置

权利要求书

1.一种目标检测模型的训练方法，其特征在于，所述方法包括：

将样本图像分别输入第一目标检测模型和训练好的第二目标检测模型，所述第一目标检测模型为学生模型，所述第二目标检测模型为教师模型；

获取所述第一目标检测模型的各个网络层输出的第一特征图以及所述第二目标检测模型的对应网络层输出的第二特征图之间的特征差异；

获取所述第一目标检测模型的各个网络层输出的第一预测结果图以及所述第二目标检测模型的对应网络层输出的第二预测结果之间的预测差异，一个网络层输出的预测结果用于表征所述网络层输出的特征图上各个点的类别；

基于每个网络层对应的预测差异对所述每个网络层对应的特征差异进行加权处理，得到所述每个网络层的加权特征差异；

基于各个网络层的加权特征差异对所述第一目标检测模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述基于各个网络层的加权特征差异对所述第一目标检测模型进行训练，包括：

对各个网络层的加权特征差异进行求和，得到所述第一目标检测模型与所述第二目标检测模型之间的总特征差异；

基于所述总特征差异建立第一损失函数，基于所述第一损失函数对所述第一目标检测模型进行训练。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第一损失函数对所述第一目标检测模型进行训练，包括：

针对预先确定的多个锚框，获取所述第一目标检测模型为所述样本图像确定的所述多个锚框中每个锚框的第一分值，并获取所述第二目标检测模型为所述样本图像确定的所述每个锚框的第二分值，一个锚框的分值用于表征将所述锚框内的对象划分为所述样本对象的真实类别的置信度；

基于各个锚框的第一分值与第二分值之间的差异建立第二损失函数；

基于所述第一损失函数和第二损失函数对所述第一目标检测模型进行训练。

4.根据权利要求3所述的方法，其特征在于，所述基于所述第一损失函数和第二损失函数对所述第一目标检测模型进行训练，包括：

对所述第一损失函数和所述第二损失函数进行加权求和，得到总损失函数；

基于所述总损失函数对所述第一目标检测模型进行训练。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述基于每个网络层对应的预测差异对所述每个网络层对应的特征差异进行加权处理，得到所述每个网络层的加权特征差异，包括：

对所述每个网络层对应的预测差异中的每个元素与所述每个网络层对应的特征差异中的对应元素进行逐元素相乘，得到相乘结果；

对各元素对应的相乘结果进行相加，得到所述每个网络层的加权特征差异。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述获取所述第一目标检测模型的各个网络层输出的第一特征图以及所述第二目标检测模型的对应网络层输出的第二特征图之间的特征差异，包括：

针对每个网络层，获取所述第一目标检测模型的所述网络层输出的第一特征图与所述第二目标检测模型的所述网络层输出的第二特征图在各个通道上的特征差异；

对各个通道上的特征差异进行求和，得到所述网络层的特征差异。

7.根据权利要求1至6任意一项所述的方法，其特征在于，所述获取所述第一目标检测模型的各个网络层输出的第一预测结果图以及所述第二目标检测模型的对应网络层输出的第二预测结果之间的预测差异，包括：

针对每个网络层，获取所述第一目标检测模型的所述网络层输出的各类别对应的第一预测结果以及所述第二目标检测模型的所述网络层输出的各类别对应的第二预测结果；

对各类别对应的第一预测结果与第二预测结果之间的差异求和，得到所述网络层的预测差异。