[发明专利]一种目标检测方法、装置、设备和计算机可读存储介质

权利要求书

1.一种目标检测方法，其特征在于，包括：

利用教师网络模型和学生网络模型对样本图片并行进行特征提取，得到所述教师网络模型对应的第一类别特征和所述学生网络模型对应的第二类别特征；

将所述第一类别特征和所述第二类别特征转换为同维度特征信息；

基于所述同维度特征信息以及所述样本图片对应的类别标签，对所述学生网络模型的参数进行迭代调整，以得到满足识别要求的学生网络模型；

利用所述满足识别要求的学生网络模型对新输入的图片进行分析，以确定出所述图片中包含的目标类别。

2.根据权利要求1所述的目标检测方法，其特征在于，针对于所述教师网络模型和所述学生网络模型的构建过程，所述方法包括：

基于yolo网络架构，构建用于目标类型识别的教师网络模型；

对所述教师网络模型进行裁剪，得到学生网络模型；其中，所述教师网络模型和所述学生网络模型均包括用于提取图片特征的第一模块、用于特征挖掘的第二模块和用于分离出分类特征的第三模块。

3.根据权利要求2所述的目标检测方法，其特征在于，所述利用教师网络模型对样本图片并行进行特征提取，得到所述教师网络模型对应的第一类别特征包括：

利用所述教师网络模型的第一模块对所述样本图片进行特征提取，得到第一初始特征信息；

将所述第一初始特征信息输入所述教师网络模型的第二模块进行卷积处理，得到第一深度特征信息；

利用所述教师网络模型的第三模块从所述第一深度特征信息中提取出与分类类别匹配的第一目标特征信息；其中，所述第一初始特征信息、所述第一深度特征信息和所述第一目标特征信息构成所述第一类别特征。

4.根据权利要求3所述的目标检测方法，其特征在于，所述利用学生网络模型对样本图片并行进行特征提取，得到所述学生网络模型对应的第二类别特征包括：

利用所述学生网络模型的第一模块对所述样本图片进行特征提取，得到第二初始特征信息；

将所述第二初始特征信息输入所述学生网络模型的第二模块进行卷积处理，得到第二深度特征信息；

利用所述学生网络模型的第三模块从所述第二深度特征信息中提取出与分类类别匹配的第二目标特征信息；其中，所述第二初始特征信息、所述第二深度特征信息和所述第二目标特征信息构成所述第二类别特征。

5.根据权利要求4所述的目标检测方法，其特征在于，所述基于所述同维度特征信息以及所述样本图片对应的类别标签，对所述学生网络模型的参数进行迭代调整，以得到满足识别要求的学生网络模型包括：

根据所述同维度特征信息以及所述样本图片对应的类别标签，确定出损失函数；

基于所述损失函数，调整所述学生网络模型和所述教师网络模型的参数；

返回所述利用教师网络模型和学生网络模型对样本图片并行进行特征提取，得到所述教师网络模型对应的第一类别特征和所述学生网络模型对应的第二类别特征的步骤，直至所述学生网络模型的识别准确度和识别效率满足设定的条件，则得到满足识别要求的学生网络模型。

6.根据权利要求5所述的目标检测方法，其特征在于，所述根据所述同维度特征信息以及所述样本图片对应的类别标签，确定出损失函数包括：

依据转换为同维度的第一初始特征信息和第二初始特征信息，确定出第一损失函数；

依据转换为同维度的第一深度特征信息和第二深度特征信息，确定出第二损失函数；

依据转换为同维度的第一目标特征信息和第二目标特征信息，以及所述样本图片对应的类别标签，确定出第三损失函数。

7.根据权利要求6所述的目标检测方法，其特征在于，按照如下公式计算所述第一损失函数L_fea、所述第二损失函数L_fea以及所述第三损失函数W(s,t)，

其中，C＝(ω-ω·ln(1+ω/ε))；

N表示样本图片的总数，M表示背景和检测目标组成的掩码矩阵，s表示学生网络模型的输出，t表示教师网络模型的输出，W(s,t)表示学生网络模型和教师网络模型的差异函数，α和β表示检测目标和背景的参数；ω＝10，ε＝2。