CN114067401B 目标检测模型的训练及身份验证方法和装置 （上海商汤智能科技有限公司）

目标检测模型的训练及身份验证方法和装置本公开实施例提供一种目标检测模型的训锚框输出的第二分值与学生模型为各个锚框输出的第一分值之间的差异作为软标签来训练学2将样本图像集分别输入第一目标检测模型和训练好的第二针对预先确定的多个锚框，获取所述第一目标检测模型为每张样基于各个锚框的第一分值与第二分值之间的差异，对所述第一目标检测模型进行训针对每张样本图像，从所述多个锚框中过滤掉所述样本图像的背景区域对应的锚框，所述背景区域为所述样本图像中除所述样本对象以外获取所述第一目标检测模型为所述样本图像确定的过滤后的所述多个锚框中每个锚获取各个第一分值的第一概率分布和各个第二分值的基于所述第一概率分布和所述第二概率分布之间的差基于每个目标分值与所述总分值的商确定所述目标分值的目基于为一个子集内的每张样本图像确定的各个锚基于所述样本图像集对应的总差异对所述第一6.根据权利要求1至5任意一项所述的方法，其特征在3包括的目标对象与背景区域的像素值之间的差异小于通过预先训练的人脸检测模型对所述人脸图像进行人脸检述人脸检测模型基于权利要求1至6任意一项所述的方法训练得基于所述人脸检测结果从所述人脸图像中分输入模块，用于将样本图像集分别输入第一目标检测模型和训练好的获取模块，用于针对预先确定的多个锚框，获取所述第一目标检训练模块，用于基于各个锚框的第一分值与第二分值人脸检测模块，用于通过预先训练的人脸检测模处理器执行时实现权利要求1至7任意一项4所述第一目标检测模型为所述样本图像确定的过滤后的所述多个锚框中每个锚框的第一5亮度范围之外的第一样本图像；包括尺寸在预设尺寸范围之外的目标对象的第二样本图果；所述人脸检测模型基于本公开任一实施例所述的目标检测模型的训练方法训练得到；6亮度范围之外的第一样本图像；包括尺寸在预设尺寸范围之外的目标对象的第二样本图[0019]本公开实施例采用教师模型为各个锚框输出的第二分值与学生模型为各个锚框7[0037]在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公训练好的目标检测模型作为教师模型，并将另一个待训练的目标检测模型作为学生模型，以确定该锚框A中的对象属于常见的多个类别中每个类别的概率。假设所述常见的多个类8[0049]步骤201：将样本图像集分别输入第一目标检测模型和训练好的第二目标检测模将训练好的第二目标检测模型部署到服务器上，并将第一目标检测模型部署到移动终端9[0054]样本图像集中的每张样本图像均可以分别输入第一目标检测模型和第二目标检[0055]在步骤202中，可以预先确定多个锚框，图3示出了预先确定的锚框数量为4的情的概率，并对同一个锚框在各个类别下的概率进行局部对比，而是确定一个锚框中的对象属于样本对象的真实类别的置信度，并对各个锚框属于该真实类别的置信度进行全局对比。其中，所述置信度通过分值表示。图4A和图4B分别示出了局部对比方式和全局对比方式。在图4A所示的实施例中，教师模型会获取同一个锚框对应于各个类别下的概率值，例系。所述第一目标检测模型为所述样本图像确定的过滤后的所述多个锚框中每个锚框的第一张样本图像确定的各个锚框的第一分值与第二分值的差异，确定所述子集对应的总差异，别(即样本对象的真实类别)下对应的第一分值和第二分值分别记为和s:,则所述第一概[0071]通过对比发现，学生模型与教师模型对于简单样本的输标对象所占的像素数量与样本图像的总像素数量的比值确定为样本图像中目标对象的尺出的第二分值与学生模型为各个锚框输出的第一分值之间的差异作为软标签来训练学生[0081]步骤702：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[0082]步骤703：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；[0083]步骤704：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[0085]在步骤701中，可以将样本图像集中的至少一张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。本实施例中所采用的样本图像集与图2所示的方法实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[0092]一个网络层的预测差异可以基于该网络层输出的各类别的预测差异之和来确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[0096]在步骤704中，可以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于一个网络层，将该网络层的特征差异中第u行第v列的元素与该网络层的预测差异中第utask表示目标检测任务所采用的损失函数，不同的应用场景损失函数或者交并比损失函数，目标检测任务中的识别任务可以采用交叉熵损失函数。LossRM可以基于各个锚框的第一分值与第二分值之间的[0104]本公开实施例通过采用两个模型之间的预测差异对两个模型之间的特征差异进分割出的人脸区域图像输入人脸识别模型进行识别。人脸识别模型可以部署在移动终端，[0113]由于上述身份验证方法中所采用的人脸检测模型是通过前述任一实施例所述的[0117]输入模块901，用于将样本图像集分别输入第一目标检测模型和训练好的第二目样本图像集中的每张样本图像均包括一种类别的样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[0134]图12示出了本说明书实施例所提供的一种更为具体的计该设备可以包括：处理器1201、存储器1202、输入/输出接口1203、通信接口1204和总线例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或