(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210311747.3 (22)申请日 2022.03.28 (71)申请人 上海易康源医疗健康科技有限公司 地址 200120 上海市浦东 新区中国(上海) 自由贸易试验区临港新片区新杨公路 860号10幢 (72)发明人 曾祥云　朱姬渊　 (74)专利代理 机构 上海硕力知识产权代理事务 所(普通合伙) 31251 专利代理师 杨用玲 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 目标检测系统、 训练方法及目标检测方法 (57)摘要 本发明公开一种目标检测系统、 训练方法及 目标检测方法， 其目标检测系统包括第一网络和 第二网络， 第一网络用以对输入图片进行特征抽 取， 并给第二网络传递知识， 包括依次连接的第 一输入单元、 第一特征抽取单元和第一预测单 元， 以及与第一预测单元的输出分别连接的第一 定位单元和第一分类单元； 第二网络用以对输入 图片进行特征抽取， 并从第一个网络中学习， 包 括依次连接的第二输入单元、 第二特征抽取单元 和第二预测单元， 以及与第二预测单元的输出分 别连接的第二定位单元和第二分类单元。 本发明 可以在压缩 模型的同时不影响检测的准确率。 权利要求书1页 说明书4页 附图1页 CN 114708440 A 2022.07.05 CN 114708440 A 1.一种目标检测系统， 包括第一网络和第二网络， 其特 征是： 第一网络用以对输入图片进行特征抽取， 并给第二网络传递知识， 包括依次连接的第 一输入单元、 第一特征抽取单元和第一预测单元， 以及与第一预测单元 的输出分别连接的 第一定位单 元和第一分类单 元； 第二网络用以对输入图片进行特征抽取， 并从第一个网络中学习， 包括依次连接的第 二输入单元、 第二特征抽取单元和第二预测单元， 以及与第二预测单元 的输出分别连接的 第二定位单 元和第二分类单 元。 2.如权利要求1所述的目标检测系统， 其特征是， 第 二网络用以对输入图片进行特征抽 取， 并从第一个网络中学习为： 第二特征抽取单元根据第一特征抽取单元 的损失进行学习 和更新参数， 学习使用的损失函数为KL  Loss。 3.如权利要求1所述的目标检测系统， 其特征是， 第 二网络用以对输入图片进行特征抽 取， 并从第一个网络中学习为： 第二预测单元根据第一预测单元 的损失进行学习和更新参 数， 学习使用的损失函数为KL  Loss。 4.如权利要求1所述的目标检测系统， 其特征是， 第 二网络用以对输入图片进行特征抽 取， 并从第一个网络中学习为： 第二分类单元根据第一分类单元 的损失进行学习和更新参 数， 学习使用的损失函数为KL  Loss。 5.如权利要求1所述的目标检测系统， 其特征是， 第 二网络用以对输入图片进行特征抽 取， 并从第一个网络中学习为： 第二定位单元根据第一定位单元 的损失进行学习和更新参 数， 学习使用的损失函数为MSE  loss。 6.如权利要求1所述的目标检测系统， 其特征是， 第 一分类单元和第 二分类单元的输出 均使用交叉熵损失函数进行损失计算。 7.如权利要求1所述的目标检测系统， 其特征是， 第 一定位单元和第 二定位单元的输出 均使用smooth L1损失函数进行损失计算。 8.一种目标检测系统的训练方法， 应用于目标检测系统中， 其特 征是， 包括步骤： 对第一网络和第 二网络的各个单元进行联合蒸馏， 用以将第 一网络和第 二网络的各个 单元输入的参数进行压缩； 输入标签图片至第一网络和第二网络； 第一网络 输出的损失函数为 NMS‑loss， 根据损失值更新第一网络； 第二网络根据第 一网络的损失进行学习和更新参数， 第 二网络输出的损失函数为NMS ‑ loss与第一网络的损失函数之和。 9.一种目标检测方法， 应用于目标检测系统中， 包括 步骤： 获取图片信息； 对图片信息进行处 理， 并给出检测结果， 其特征是， 所述目标检测系统为权利要求1 ‑7所述的目标检测系统。 10.一种电子设备， 其特征是， 包括： 处理器、 存储介质和总线， 所述存储介质存储有所 述处理器可执行 的机器可读指令， 当电子设备运行时， 所述处理器与所述存储介质之间通 过总线通信， 所述处理器执行所述机器可读指令， 以执行如权利要求9所述的目标检测方 法。权　利　要　求　书 1/1 页 2 CN 114708440 A 2目标检测系统、 训练方 法及目标 检测方法 技术领域 [0001]本发明涉及人工智能技术领域， 尤其涉及目标检测系统、 训练方法及目标检测方 法。 背景技术 [0002]目标检测任务是找出图像或视频中人们感兴趣的物体， 并同时检测出它们的位置 和大小。 目标检测技术 发展至今已经有几十年的时间， 从技术的发展 脉络看， 可以划分为传 统目标检测算法时期(2014 年之前)以及之后的基于 机器学习的目标检测算法。 [0003]传统目标检测算法主要基于手工提取特征， 手工 的缺陷主要在于计算量大， 识别 效果比较差， 而且人工成本也 非常高。 随着机器学习的各种新算法成熟， 目标检测技术得到 了质的飞跃， 基于CNN以及Y OLO的各种目标检测算法不断创新出来， 大大提高了目标检测的 识别能力和准确率。 [0004]这些层出不穷的新算法和新模型， 功能越来越强大， 网络深度也越来越深， 网络结 构也越来越复杂， 而模型过大， 其带来的问题就是其计算 成本就越来越高， 速度也受到了影 响， 因此无法在移动设备端使用和部署， 因为移动端设备内存较小， 同时移动设备计算量相 当于服务器较低， 导致目标检测模型不能部署和满足不了实时检测的需求。 发明内容 [0005]本发明为解决现有技术中存在的技术问题， 提供一种目标检测系统， 包括第一网 络和第二网络， [0006]第一网络用以对输入图片进行特征抽 取， 并给第二网络传递知识， 包括依次连接 的第一输入单元、 第一特征抽取单元和第一预测单元， 以及与第一预测单元 的输出分别连 接的第一定位单 元和第一分类单 元； [0007]第二网络用以对输入图片进行特征抽 取， 并从第一个网络中学习， 包括依次连接 的第二输入单元、 第二特征抽取单元和第二预测单元， 以及与第二预测单元 的输出分别连 接的第二定位单 元和第二分类单 元。 [0008]进一步地， 第二网络用以对输入图片进行特征抽取， 并从第一个网络中学习为： 第 二特征抽取单元根据第一特征抽取单元的损失进 行学习和更新参数， 学习使用的损失函数 为KL Loss。 [0009]进一步地， 第二网络用以对输入图片进行特征抽取， 并从第一个网络中学习为： 第 二预测单元根据第一预测单元的损失进行学习和更新参数， 学习使用的损失函数为KL   Loss。 [0010]进一步地， 第二网络用以对输入图片进行特征抽取， 并从第一个网络中学习为： 第 二分类单元根据第一分类单元的损失进行学习和更新参数， 学习使用的损失函数为KL   Loss。 [0011]进一步地， 第二网络用以对输入图片进行特征抽取， 并从第一个网络中学习为： 第说　明　书 1/4 页 3 CN 114708440 A 3