车辆检测模型训练方法、设备、存储介质及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114463573A(43)申请公布日2022.05.10(21)申请号202011142735.XG06N20/00(2019.01)(22)申请日2020.10.22(71)申请人北京鸿享技术服务有限公司地址100020北京市朝阳区酒仙桥路甲10号3号楼15层17层1765(72)发明人胡传锐(74)专利代理机构深圳市世纪恒程知识产权代理事务所44287专利代理师薛福玲(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书2页说明书17页附图5页(54)发明名称车辆检测模型训练方法、设备、存储介质及装置(57)摘要本发明公开了一种车辆检测模型训练方法、设备、存储介质及装置，涉及车辆辅助驾驶技术领域。本发明在对车辆终端搭载的车辆检测模型进行训练时，通过教师模型监督学生模型的训练过程，实现迁移学习，在学生模型收敛后，获得车辆检测模型。由于教师模型相比学生模型具有更高的检测精度，从而提高了学生模型的检测精度。同时，也保留了学生模型自身的速度快的优势，使得最终的车辆检测模型能够兼顾速度与精度。从而使得车辆终端在通过车辆检测模型进行识别时，具体较高的速度与精度。CN114463573ACN114463573A权利要求书1/2页1.一种车辆检测模型训练方法，其特征在于，所述车辆检测模型训练方法包括以下步骤：通过预设学生检测模型对车辆样本图像进行识别，获得第一特征；通过预设教师检测模型对所述车辆样本图像进行识别，获得第二特征；根据预设蒸馏损失函数计算所述第一特征与所述第二特征之间的损失参数；根据所述损失参数更新所述预设学生检测模型中的待训练参数，以对所述学生检测模型进行训练，获得车辆检测模型。2.如权利要求1所述的车辆检测模型训练方法，其特征在于，所述第一特征包括第一输出特征图和第一分布热力图，所述第二特征包括第二输出特征图和第二分布热力图，所述根据预设蒸馏损失函数计算所述第一输出特征与所述第二输出特征之间的损失参数，包括：根据预设蒸馏损失函数计算所述第一输出特征图与所述第二输出特征图之间的特征图损失参数；根据所述预设蒸馏损失函数计算所述第一分布热力图与所述第二分布热力图之间的热力图损失参数；根据所述特征图损失参数以及所述热力图损失参数确定损失参数。3.如权利要求2所述的车辆检测模型训练方法，其特征在于，所述根据所述特征图损失参数以及所述热力图损失参数确定损失参数，包括：获取所述车辆样本图像的预设特征标记信息；根据预设真实损失函数计算所述第二分布热力图与所述预设特征标记信息之间的真实损失参数；根据所述特征图损失参数、所述热力图损失参数以及所述真实损失参数确定损失参数。4.如权利要求2所述的车辆检测模型训练方法，其特征在于，分布热力图包括分类热力图、回归框宽高热力图以及中心偏移热力图；所述根据所述预设蒸馏损失函数计算所述第一分布热力图与所述第二分布热力图之间的热力图损失参数，包括：根据所述预设蒸馏损失函数计算第一分类热力图与第二分类热力图之间的分类损失参数；根据所述预设蒸馏损失函数计算第一回归框宽高热力图与第二回归框宽高热力图之间的回归框损失参数；根据所述预设蒸馏损失函数计算第一中心偏移热力图与第二中心偏移热力图之间的中心偏移损失参数；根据所述分类损失参数、所述回归框损失参数以及所述中心偏移损失参数确定热力图损失参数。5.如权利要求1所述的车辆检测模型训练方法，其特征在于，所述通过预设学生检测模型对车辆样本图像进行识别，获得第一特征，包括：通过预设学生检测模型对车辆样本图像进行识别，并获取所述预设学生检测模型中各输出层的输出特征；在所述预设学生检测模型中各输出层的输出特征的特征数量大于预设特征数量阈值2CN114463573A权利要求书2/2页时，将所述预设学生检测模型中各输出层的输出特征作为第一特征。6.如权利要求5所述的车辆检测模型训练方法，其特征在于，所述通过预设教师检测模型对所述车辆样本图像进行识别，获得第二特征，包括：通过预设教师检测模型对车辆样本图像进行识别，并获取所述教师检测模型中各输出层的输出特征；在所述教师检测模型中各输出层的输出特征的特征数量大于所述预设特征数量阈值时，将所述教师检测模型中各输出层的输出特征作为第二特征。7.如权利要求1所述的车辆检测模型训练方法，其特征在于，所述根据所述损失参数更新所述预设学生检测模型中的待训练参数，以对所述学生检测模型进行训练，获得车辆检测模型之后，还包括：获取待检测车辆图像，并通过所述车辆检测模型对所述待检测车辆图像进行检测，获得车辆行车参数；将所述车辆行车参数与