CN116310717B 目标学生网络模型训练方法及低分辨率图像识别方法 （长沙理工大学）

目标学生网络模型训练方法及低分辨率图本申请提供一种目标学生网络模型训练方W模块得到第三中间特征，第三中间特征通过预在初始学生网络模型中增加FSR_W模块，得到目2所述第一损失函数用于使所述初始学生网络模型模拟所述目标协助网络模型的第二中间S13、将低分辨率图像输入至所述初始学生网络模型，通过卷积S14、基于所述第一损失值和所述第一预测损失值，对所述初始学生网络模型进行训S105、基于所述目标教师网络模型生成的教师S106、根据所述第二预测损失值对所述初始协助将高分辨率图像输入初始教师网络模型，对所述初始3其中，所述目标学生网络模型通过目标协助网络模型4.根据权利要求3所述的低分辨率图像识别方法，其特征在于输入模块，用于将高分辨率图像输入至初始学生网络模型和目第一处理模块，用于将所述第一中间特征和所述第二中间第二处理模块，用于将低分辨率图像输入至所述初始学训练模块，用于基于所述第一损失值和所述第一预测损识别模块，用于将待识别图像输入至目标学生网络模型中进处理器，用于读取所述存储器中的计算机程序并执行如权利要求3_4任一项所述的低8.一种计算机可读存储介质，其特征在于，所执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求3_4任一项所述的低4含没有形成为本领域普通技术人员所知晓的5[0025]将高分辨率图像输入初始教师网络模型，对所述初始教师网络模型进行回归训[0028]S22、将待识别图像输入至目标学生网络模型中进行识别处理，得到图像识别结[0032]输入模块，用于将高分辨率图像输入至初始学生网络模[0033]第一处理模块，用于将所述第一中间特征和所述第二中间特征输入第一损失函6[0046]图2为本申请提供的目标学生网络模型训练方法中涉及的FSR_W模块的处理的示7产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容得能涵盖的范围[0058]对于实际应用中，CNN无法在恶劣条件下处理视觉理解任务以及边缘计算设备在[0061]下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述8[0067]将高分辨率图像输入初始教师网络模型，对所述初始教师网络模型进行回归训[0071]S105、基于所述目标教师网络模型生成的教师预测分数xt和所述协助预测分数，[0077]图2为本申请提供的目标学生网络模型训练方法中涉及的FSR_W模块的处理的示9[0087]显式训练设置是初始学生网络模型以低分辨率图像作为显式训练设置的输入直[0103]原始图像中的高频区域在这个生成的权重图中具有明显的表示。权重图初始化tts[0116]教师协助学生(TAS)的目标是借助一个教师网络模型来训练一个学生网络模[0125]由于在神经网络的中间层之后使用FSR_W模块将大大增加后续层的计算成本，因ta得到。引入了一个新的高频内容特征超分辨率FSR_W模块，以明确地减少由LR输入造成的性能差[0151]S22、将待识别图像输入至目标学生网络模型中进行识别处理，得到图像识别结[0155]输入模块，用于将高分辨率图像输入至初始学生网络模[0156]第一处理模块，用于将所述第一中间特征和所述第二中间特征输入第一损失函机执行指令，所述计算机执行指令被处理器执行时用于实现所述的低分辨率图像识别方或者其他步骤的子步骤或者阶段的至少一部分轮流或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限