1.一种基于知识蒸馏的旋转目标检测轻量化方法,其特征在于:包括以下步骤:S1:将学生模型和训练好的教师模型输出的检测目标的坐标编码分别解码为旋转坐标形式,得到检测目标的旋转坐标表示;
将学生模型和训练好的教师模型输出的检测目标的坐标编码Y:(dx,dy,dw,dh,dθ)解码为旋转坐标形式x=x
y=y
w=w
h=h
θ=θ
式中,A:(x
S2:将所述旋转坐标表示转换为二维高斯分布,得到检测目标的高斯分布表示;
将旋转坐标表示
μ=(x,y)
式中,(x,y,w,h,θ)为检测目标的旋转坐标表示,分别表示检测目标中心点横坐标、纵坐标、检测目标的宽、高和旋转角度,(μ,∑)分别表示高斯分布的均值、协方差矩阵;
S3:计算所述学生模型与教师模型输出的检测目标的高斯分布表示的KL散度,得到第一KL散度,以及计算学生模型输出的检测目标的高斯分布表示与标签真实框得到的检测目标的高斯分布表示之间的KL散度,得到第二KL散度;
计算所述学生模型与教师模型输出的检测目标的高斯分布表示的KL散度的方法,包括:所述学生模型与教师模型输出的检测目标的高斯分布表示的KL散度的计算公式为:式中,
计算学生模型输出的检测目标的高斯分布表示与标签真实框得到的检测目标的高斯分布表示之间的KL散度的方法,包括:学生模型输出的检测目标的高斯分布表示与标签真实框得到的检测目标的高斯分布表示之间的KL散度的计算公式为:式中
S4:对所述第一KL散度和第二KL散度进行归一化处理;
对高斯分布之间的KL散度进行归一化处理F(KL):得到最终的坐标参数高斯分布之间的KL散度损失计算公式:S5:根据归一化处理后的第一KL散度和第二KL散度,计算得到教师模型对学生模型进行知识蒸馏过程中的总体损失函数;
训练过程中,模型的总体损失函数
其中λ
S6:使用蒸馏后的学生模型进行预测。
2.根据权利要求1所述的一种基于知识蒸馏的旋转目标检测轻量化方法,其特征在于:在步骤S6中,使用蒸馏后的学生模型进行预测后,对学生模型输出的预测框进行后处理。
3.根据权利要求2所述的一种基于知识蒸馏的旋转目标检测轻量化方法,其特征在于:在步骤S6中,对学生模型输出的预测框进行后处理的方法,包括:后处理的具体步骤如下:将每一类别中所有的预测框按得分升序或降序排列;
选取得分最高的预测框为基准,计算其他预测框与其的交并比值;
根据交并比值对每一类别中的预测框进行筛选,将不满足筛选条件的预测框删除,其中筛选条件为待筛选的预测框与基准预测框的交并比值小于等于预设的阈值;
在剩下符合筛选条件的预测框中,选取得分最高的预测框作为基准框,重复以上筛选步骤,直至所有符合筛选条件的预测框都作为基准参与筛选。
4.一种基于知识蒸馏的旋转目标检测轻量化系统,其特征在于:包括以下步骤:坐标解码模块,其用于将学生模型和训练好的教师模型输出的检测目标的坐标编码分别解码为旋转坐标形式,得到检测目标的旋转坐标表示;
在坐标解码模块中,将学生模型和训练好的教师模型输出的检测目标的坐标编码Y:(dx,dy,dw,dh,dθ)解码为旋转坐标形式x=x
y=y
w=w
h=h
θ=θ
式中,A:(x
坐标转换模块,其用于将所述旋转坐标表示转换为二维高斯分布,得到检测目标的高斯分布表示;
在坐标转换模块中,将所述旋转坐标表示转换为二维高斯分布的方法,包括:将旋转坐标表示
μ=(x,y)
式中,(x,y,w,h,θ)为检测目标的旋转坐标表示,分别表示检测目标中心点横坐标、纵坐标、检测目标的宽、高和旋转角度,(μ,∑)分别表示高斯分布的均值、协方差矩阵;
KL散度计算模块,其用于计算所述学生模型与教师模型输出的检测目标的高斯分布表示的KL散度,得到第一KL散度,以及计算学生模型输出的检测目标的高斯分布表示与标签真实框得到的检测目标的高斯分布表示之间的KL散度,得到第二KL散度;
在KL散度计算模块中,计算所述学生模型与教师模型输出的检测目标的高斯分布表示的KL散度的方法,包括:所述学生模型与教师模型输出的检测目标的高斯分布表示的KL散度的计算公式为:式中,
在KL散度计算模块中,计算学生模型输出的检测目标的高斯分布表示与标签真实框得到的检测目标的高斯分布表示之间的KL散度的方法,包括:学生模型输出的检测目标的高斯分布表示与标签真实框得到的检测目标的高斯分布表示之间的KL散度的计算公式为:式中
归一化处理模块,其用于对所述第一KL散度和第二KL散度进行归一化处理;
在归一化处理模块中,对高斯分布之间的KL散度进行归一化处理F(KL):得到最终的坐标参数高斯分布之间的KL散度损失计算公式:损失函数计算模块,其用于根据归一化处理后的第一KL散度和第二KL散度,计算得到教师模型对学生模型进行知识蒸馏过程中的总体损失函数;
模型的总体损失函数
其中λ
预测模块,其用于使用蒸馏后的学生模型进行预测。