买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：电子科技大学长三角研究院(湖州)

摘要：本发明提供了一种基于知识蒸馏的轻量化交通注视目标检测方法，应用于交通注视目标检测领域。针对当前聚焦交通注视目标检测的模型普遍存在参数较大，检测速度较慢以及基于全目标检测范式开发的轻量化的模型对交通注视目标检测的准确度存在不足的问题，本发明提供了一种基于知识蒸馏的轻量化交通注视目标检测方法，能够用教师模型提取到吸引驾驶员注意的显著区域特征和表征注视目标位置和类别的上下文信息来蒸馏学生模型提取到的对应的特征，从而在显著减少模型参数的同时，取得快的检测速度和高的检测准确度。本发明为交通注视目标检测的应用提供了一个有效的方法，为高级辅助驾驶系统提供了另一种策略。

主权项：1.一种基于知识蒸馏的轻量化交通注视目标检测方法，其特征在于：包括以下步骤：S1，基于FOD-Net模型构建具有强检测能力的教师模型用于提取丰富的显著区域特征和交通注视目标特征；S2，基于S1构建的教师模型，建立轻量的学生模型用于减少模型参数的同时获得快的检测速度；S3，设计显著区域蒸馏策略，将教师模型中的显著区域引导模块提取的吸引驾驶员注意的显著区域特征，即非预测的显著性图，用来蒸馏学生模型中对应的显著区域引导模块提取丰富的显著区域特征；S4，设计注视目标蒸馏策略，将教师模型中的目标检测模块提取的表征注视目标位置和类别的上下文信息用来蒸馏学生模型中对应的上下文信息；S5，将训练集中的图片缩放到给定的输入分辨率后输入S1中构建的教师模型和S2中构建的学生模型，用S3中建立的显著区域蒸馏策略和S4中建立的注视目标蒸馏策略对学生模型进行训练，从而提高学生模型的检测性能；在S3中，将S1中建立的教师模型中的显著区域引导模块提取的显著区域特征即非预测的显著性图用来蒸馏S2中建立的学生模型中对应的显著区域引导模块提取的显著区域特征；利用构建的显著区域蒸馏损失对学生模型进行优化，如下式2所示： 式中，Fi为S1中教师模型中的显著区域引导模块提取的显著区域特征即非预测的显著性图，Fi的尺度为w和h分别表示输入图像的宽和高，F′i为S2中学生模型中的显著区域引导模块提取的显著区域特征，其尺度和Fi的一致，为均方误差损失；在S4中，将S1中建立的教师模型中的目标检测模块提取的表征注视目标位置和类别的上下文信息用来蒸馏S2中建立的学生模型中对应的上下文信息；利用构建的注视目标蒸馏损失对学生模型进行优化，如下式3所示： 式中，fi为S1中建立的教师模型中的目标检测模块提取的表征注视目标位置和类别的特征，fi′为S2中建立的学生模型中的目标检测模块提取的表征注视目标位置和类别的特征，为均方误差损失；在S5中，利用训练集来预训练S1中建立的教师模型，当验证集的mAP值取得最大时，保留预训练的教师模型参数用于蒸馏S2中建立的学生模型；同时利用训练集来训练学生模型，损失函数如式4所示： 式中，为公式1中定义的损失，是式2中定义的损失，是式3中定义的损失，β和γ为权重系数；当验证集的mAP值取得最大，保留学生模型参数用于测试。

全文数据：

权利要求：

百度查询： 电子科技大学长三角研究院(湖州) 一种基于知识蒸馏的轻量化交通注视目标检测方法