图像检测方法和图像检测模型的训练方法与流程

1.本公开涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，可应用于人脸识别等场景，具体涉及一种图像检测方法和图像检测模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术：

2.人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.基于人工智能的图像检测技术，通过处理图像，识别图像中所包含的对象(例如，动物、植物或者人等)，并且获得对象的检测框，以标注图像中对象的位置，广泛应用于各种场景。
4.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

技术实现要素：

5.本公开提供了一种图像检测方法和图像检测模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
6.根据本公开的一方面，提供了一种图像检测方法，包括：获得目标图像，所述目标图像包含有目标对象；基于所述目标图像的至少两个边中的每一个边的长度，获得该边对应的多个目标序列值；基于所述目标图像，获得所述目标图像的目标定位特征，所述目标定位特征指示所述至少两个边对应的多个目标序列值中的每一个目标序列值与所述目标对象的检测框在所述目标图像中的位置相应的概率；以及基于所述目标定位特征，获得所述目标对象的检测框的位置。
7.根据本公开的另一方面，提供了一种图像检测模型的训练方法，其中，所述数据处理模型包括学生模型，所述方法包括：获得训练图像，所述训练图像包括训练对象；基于所述训练图像的至少两个边中的每一个边的长度，获得该边对应的多个训练序列值；获得所述学生模型基于所述训练数据获得的第一定位特征，并且获得经训练的教师模型于所述训练数据获得的第二定位特征，所述第一定位特征和所述第二定位特征分别指示所述至少两个边对应的多个训练序列值中的每一个训练序列值与所述训练对象的检测框在所述训练图像中的位置相应的概率；基于所述第一定位特征所述第二定位特征，获得第一损失；以及基于所述第一损失，调整所述学生模型的参数。
8.根据本公开的另一方面，提供了一种图像检测装置，包括：目标图像获取单元，被
配置用于获得目标图像，所述目标图像包含有目标对象；目标序列值获取单元，被配置用于基于所述目标图像的至少两个边中的每一个边的长度，获得该边对应的多个目标序列值；目标定位特征获取单元，被配置用于基于所述目标图像，获得所述目标图像的目标定位特征，所述目标定位特征指示所述至少两个边对应的多个目标序列值中的每一个目标序列值与所述目标对象的检测框在所述目标图像中的位置相应的概率；以及检测框位置获取单元，被配置用于基于所述目标定位特征，获得所述目标对象的检测框的位置。
9.根据本公开的另一方面，提供了一种图像处理模型的训练方法，其中，所述数据处理模型包括学生模型，所述装置包括：训练图像获取单元，被配置用于获得训练图像，所述训练图像包括训练对象；训练序列值获取单元，被配置用于基于所述训练图像的至少两个边中的每一个边的长度，获得该边对应的多个训练序列值；定位特征获取单元，被配置用于获得所述学生模型基于所述训练数据获得的第一定位特征，并且获得经训练的教师模型于所述训练数据获得的第二定位特征，所述第一定位特征和所述第二定位特征分别指示所述至少两个边对应的多个训练序列值中的每一个训练序列值与所述训练对象的检测框在所述训练图像中的位置相应的概率；第一损失计算单元，被配置用于基于所述第一定位特征所述第二定位特征，获得第一损失；以及参数调整单元，被配置用于基于所述第一损失，调整所述学生模型的参数。
10.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据本公开的实施例所述的方法。
11.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开的实施例所述的方法。
12.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开的实施例所述的方法。
13.根据本公开的一个或多个实施例，可以提升所获得的目标对象在目标图像中的检侧框的位置的准确度。
14.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
15.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
16.图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
17.图2示出了根据本公开的实施例的图像检测方法的流程图；
18.图3示出了根据本公开的实施例的图像检测方法中目标图像中的目标对象的检测框的位置示意图；
19.图4示出了根据本公开的实施例的图像检测模型的训练方法的流程图；
20.图5示出了根据本公开的实施例的图像检测装置的结构框图；
21.图6示出了根据本公开的实施例的图像检测模型的训练装置的结构框图；
22.图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
23.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
24.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
25.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
26.下面将结合附图详细描述本公开的实施例。
27.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
28.在本公开的实施例中，服务器120可以运行使得能够执行根据本公开的图像检测方法的一个或多个服务或软件应用。
29.在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
30.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
31.用户可以使用客户端设备101、102、103、104、105和/或106来接收根据本公开的图像检测方法所获得的目标对象的检测框。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户
端设备。
32.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统(例如google chrome os)；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
33.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、区块链网络、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wifi)和/或这些和/或其他网络的任意组合。
34.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
35.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
36.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
37.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
38.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务
器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
39.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
40.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
41.在相关技术中，通过获得图像的图像特征，获得图像中所包含的对象的类别和检测框，由于图像特征偏重于描述对象的类别，难以同时准确描述图像中的对象的分类信息和位置信息，使得无法获得准确的检测框的位置。
42.根据本公开的一方面，提供了一种图像检测方法。参看图2，根据本公开的一些实施例的图像检测方法200包括：
43.步骤s210：获得目标图像，所述目标图像包含有目标对象；
44.步骤s220：基于所述目标图像的至少两个边中的每一个边的长度，获得该边对应的多个目标序列值；
45.步骤s230：基于所述目标图像，获得所述目标图像的目标定位特征，所述目标定位特征指示所述至少两个边对应的多个目标序列值中的每一个目标序列值与所述目标对象的检测框在所述目标图像中的位置相应的概率；以及
46.步骤s240：基于所述目标定位特征，获得所述目标对象的检测框的位置。
47.通过针对目标图像的至少两个边中的每一个边的长度，进行离散化获得多个目标序列值，在获得目标图像的特征的过程中，针对该至少两个边对应的多个目标序列值，获得目标定位特征，使得目标定位特征指示每一个目标序列值与目标对象的检测框在目标图像中的位置相应的概率，从而将定位信息转换为多个序列值的概率分布，使得所获得的定位特征准确，从而提升所获得的目标对象在目标图像中的位置的准确性。
48.在一些实施例中，在步骤s210中获得的目标图像可以是任意待检测的图像，例如，可以是从摄像装置获得的图像，也可以是从网络上爬取的图像。
49.在一些实施例中，目标对象可以是目标图像中任意待检测的对象，例如，可以是各种动物、各种植物和人脸等，在此并不限定。
50.在一些实施例中，目标对象是对应于目标类别的对象，例如，目标类别是人脸，目标对象是某一人的人脸。
51.在一些实施例中，获得目标图像之后，基于目标图像的多个边中的每一个边的长度，获得该边对应的多个目标序列值，其中，该多个目标序列值可以是0-x之间的任意数值，其中，x为该边的长度值。
52.在一些实施例中，在步骤s220中，基于预设的单位长度，获得所述至少两个边中的每一个边对应的多个目标序列值，使得该多个目标序列值中的相邻两个目标序列值之差为预设值。
53.例如，目标图像的宽为50，预设的单位长度为1，则获得宽对应的多个序列值为0，
1，2，
……
，50。
54.通过基于预设的单位长度，获得至少两个边中每一个边的多个目标序列值，使得所获得的至少两个边对应的多个目标序列值是针对该目标图像的边长的均匀的设置的，即针对目标图像中均匀分布的各个位置进行概率分布的预测，提升所获得的目标定位特征的准确性，最终提升所获得的目标对象的检测框的位置的准确性。
55.在一些实施例中，在步骤s220中，至少两个边中的每一个边对应的多个目标序列值的数量为预设值，该预设值与该至少两个边中的较长的边相应。
56.例如，目标图像的宽为50，高为100，则获得每一个边的多个目标序列值的数量为101，其中，宽对应的多个目标序列值为0，0.5，1，
……
，50；高对应的多个目标序列值为0，1，2，
……
，100。
57.通过使获得的至少两个边中的每一个边对应的多个目标序列值的数量与较长的边相应，使得针对目标图像中尽可能多的位置进行概率分布的预测，提升所获得的目标定位特征所表达的概率分布的准确性，最终提升所获得的目标对象的检测框的位置的准确性。
58.在一些实施例中，步骤s230、在获得目标图像的至少两个边中的每一个边对应的多个目标序列值之后，通过特征提取网络提取目标图像的图像特征，并针对该图像特征进行定位分支的定位特征提取，以获得目标定位特征。
59.在一些实施例中，步骤s230、基于所述目标图像，获得所述目标图像的目标定位特征包括：
60.通过将所述目标图像输入图像检测模型，以获得所述定位特征，其中，所述图像检测模型是采用训练图像基于经训练的教师模型训练学生模型获得的，所述训练图像包括与所述目标对象相应的训练对象，在训练所述学生模型的过程中，通过将所述训练图像分别输入所述教师模型和所述学生模型，获得所述教师模型输出的第一定位特征和所述学生模型输出的第二定位特征，并且基于所述第一定位特征和所述第二定位特征获得的损失调整所述学生模型的参数；其中，
61.所述第一定位特征和所述第二定位特征分别指示多个训练序列值中的每一个训练序列值与所述训练对象的检测框在所述训练图像中的位置相应的概率，所述多个训练序列值包括基于所述训练图像的至少两个边中的每一个边的长度获得的该边对应的多个训练序列值。
62.通过采用训练图像基于教师模型训练学生模型的方式，获得图像检测模型，教师模型和学生模型在表达训练图像中的定位信息时，将定位信息转化为训练图像的多个训练序列值对应的概率分布，从而使得在教师模型和学生模型进行特征蒸馏的过程中，能够将定位信息以多个训练序列值的概率分布的形式从教师模型上迁移到学生模型上，提升蒸馏效果，提升学生模型经训练后获得的图像检测模型的精度，使得图像检测模型能够获得准确的定位特征，从而提升基于图像检测模型所获得的定位特征的准确性。
63.在一些实施例中，训练对象与目标对象对应是指训练对象和目标对象均对应于目标分类。例如，针对人脸检测模型，目标分类为人脸，训练对象和目标对象均对应于人脸。
64.在一些实施例中，教师模型的参数较学生模型的参数多，使得教师模型获得的第一定位特征的精度较学生模型获得的第二定位特征的精度高，在训练过程中，通过使第二
定位特征与第一定位特征尽可能相似，使得学生模型在较少的参数的情况下，能够获得较多参数的教师模型所获得的定位特征的精度。
65.在一些实施例中，在训练所述学生模型的过程中，还通过将所述训练图像分别输入所述教师模型和所述学生模型，获得所述教师模型输出的第一分类特征和所述学生模型输出的第二分类特征，并且基于所述第一分类特征和所述第二分类特征获得的损失调整所述学生模型的参数；其中，
66.所述第一分类特征和所述第二分类特征分别指示所述训练对象对应于目标分类的概率。
67.在基于教师模型训练学生模型的过程中，还基于教师模型和学生模型输出的分类特征之间的损失调整学生模型的参数，使得在教师模型和学生模型进行特征蒸馏的过程中，能够将分类信息从教师模型上迁移到学生模型上，使得经训练学生模型中所提取的特征能够同时兼顾到定位特征和分类特征，最终使学生模型经训练后获得的教师模型能获得准确的检测框的同时，获得准确的分类结果；即使图像检测模型的检测任务同时兼顾定位任务和分类任务。
68.在一些实施例中，在步骤s220中，获得目标图像的相邻的两条边中的每一条边对应的多个目标序列值，在步骤s230中所获得的目标定位特征指示该相邻的两条边对应的多个目标序列值构成的多个目标序列值组与目标对象的检测框的中心的位置的对应的概率；其中，每一个目标序列值组包括由该相邻的两条边中的每一个条边对应的多个目标序列值中的一个目标序列值。
69.例如，在步骤s220中，针对目标图像的一个宽边和一个高边分别获得多个目标序列值，在步骤s230中，所获得的定位特征为多个目标序列值组中的每一个序列值组与检测框的中心的位置对应的多个概率值，每一个目标序列值组包括由该宽边对应的多个目标序列值中的一个和该高边对应的多个目标序列值中的一个。
70.在一些实施例中，在步骤s220中，获得目标图像的四条边中的每一个条边对应的多个目标序列值，在步骤s230中所获得的目标定位特征指示该相邻的两条边对应的多个目标序列值构成的多个目标序列值组与目标对象的检测框的对角线上的顶点的位置的对应的概率；其中，每一个目标序列值组包括由该四条边中的每一个条边对应的多个目标序列值中的一个目标序列值。
71.在一些实施例中，在步骤s230中获得的目标定位特征包括维度为4
×
n的矩阵，n为正整数；其中，
72.所述矩阵中的多个行与所述目标图像的四个边分别对应，所述矩阵中的每一个行的多个元素与所述目标图像中的相应边所对应的多个目标序列值分别对应。
73.例如，如图3所示，针对目标图像300中的目标对象301的检测框302，位于对角线的左上角的顶点a和右下角的顶点b，两者的位置表达为(x1，y1，x2，y2)，在步骤s230中所获得的目标定位特征为4
×
n的矩阵，其中，第一列中的各个元素为目标图像300的宽边310对应的各个目标序列值与x1对应的概率，第二列中的各个元素为目标图像300的高边320对应的各个目标序列值与y1对应的概率，第三列中的各个元素为目标图像300的宽边330对应的各个目标序列值与x2对应的概率，第四列中的各个元素为目标图像300的高边340对应的各个序列值与y2对应的概率。
74.目标定位特征以矩阵的形式表示，简化目标定位特征的表达，减少数据处理量。
75.在一些实施例中，在获得目标定位特征之后，在步骤s240中，通过获得目标定位特征多个目标序列值组中对应的平均概率最大的目标序列值组；并基于该平均概率最大的目标序列值组，获得目标对象的检测框在目标图像中的位置。
76.例如，通过平均概率最大的目标序列值组，获得该目标对象的检测框的位于对角线的左上角的顶点和右下角的顶点在目标图像中的坐标。
77.根据本公开的另一方面，还提供了一种图像检测模型的训练方法，其中，所述数据处理模型包括学生模型，如图4所示，图像检测模型的训练方法400包括：
78.步骤s410：获得训练图像，所述训练图像包括训练对象；
79.步骤s420：基于所述训练图像的至少两个边中的每一个边的长度，获得该边对应的多个训练序列值；
80.步骤s430：获得所述学生模型基于所述训练数据获得的第一定位特征，并且获得经训练的教师模型于所述训练数据获得的第二定位特征，所述第一定位特征和所述第二定位特征分别指示所述至少两个边对应的多个训练序列值中的每一个训练序列值与所述训练对象的检测框在所述训练图像中的位置相应的概率；
81.步骤s440：基于所述第一定位特征所述第二定位特征，获得第一损失；以及
82.步骤s450：基于所述第一损失，调整所述学生模型的参数。
83.在相关技术中，在基于教师模型训练学生模型获得图像检测模型的过程中，直接基于特征图进行蒸馏，往往使得蒸馏效果不稳定，其原因在于图像检测任务是一个多任务(包括分类任务和定位任务)，特征图信息很难同时迁移分类信息和定位信息，一般情况下，教师模型的特征图中的定位信息很难迁移学生模型，使得所获得的图像检测模型很难获得准确的检测框位置。
84.在根据本公开的实施例中，通过针对训练图像的至少两个边的每一个边的长度该边对应的多个训练序列值，使教师模型和学生模型在表达训练图像中的定位信息时，将定位信息转化为训练图像的多个训练序列值对应的概率分布，从而使得在教师模型和学生模型进行特征蒸馏的过程中，能够将定位信息以多个训练序列值的概率分布的形式从教师模型上迁移到学生模型上，提升蒸馏效果，使得学生模型经训练后获得的图像检测模型能够获得准确的定位特征，从而提升基于图像检测模型所获得的定位特征的准确性，提升图像检测模型的精度。
85.在一些实施例中，在步骤s410中，训练图像可以是任意图像，例如，采用摄像装置拍摄的图像。
86.在一些实施例中，训练对象可以是图像检测模型所检测的对象，例如，图像检测模型用于检测人脸，训练对象可以是某一人的人脸。
87.可以理解，图像检测模型还可以是检测任意对象的模型，例如，检测某种动物的模型、检测某种植物的模型。
88.在一些实施例中，在步骤s420中，获得训练图像的至少两个边中的每一个边对应的多个训练序列值的方法可以如根据本公开的图像检测方法中所获得目标图像的至少两个边中的每一个边对应的多个训练序列值的方法类似，在此不再赘述。
89.在一些实施例中，所述至少两个边中的每一个边对应的多个训练序列值中的任意
两个相邻训练序列值之差为预设值。使得所获得的至少两个边对应的多个训练序列值是针对该训练图像的边长的均匀的设置的，即针对训练图像中均匀分布的各个位置进行概率分布的预测，提升所获得的定位特征的准确性，最终提升所获得图像检测模型在基于输入图像获得输入图像中的对象的检测框的位置的准确性。
90.在一些实施例中，所述至少两个边中的每一个边对应的多个训练序列值的数量与所述至少两个边中较长的边相应。通过使获得的至少两个边中的每一个边对应的多个目标序列值的数量与较长的边相应，使得针对训练图像中尽可能多的位置进行概率分布的预测，提升所获得的定位特征所表达的概率分布的准确性，最终提升所获得图像检测模型在基于输入图像获得输入图像中的对象的检测框的位置的准确性。
91.在一些实施例中，在步骤s430中，通过将训练图像分别输入到学生模型和教师模型，以获得第一定位特征和第二定位特征。
92.在一些实施例中，教师模型和学生模型分别包括特征提取网络和定位分支，其中，特征提取网络用于提取训练图像的图像特征，定位分支用于基于该图像特征获得定位特征。
93.在一些实施例中，第一定位特征和第二定位特征与根据本公开的图像检测方法中的目标定位特征类似，可以以维度为4
×
n的矩阵表达，其中，n为正整数；其中，
94.所述矩阵中的多个行与所述训练图像的四个边分别对应，所述矩阵中的每一个行的多个元素与所述训练图像中的相应边所对应的多个训练序列值分别对应。以简化定位特征的表达，减少数据处理量。
95.在一些实施例中，教师模型的参数较学生模型的参数多，使得教师模型获得的第二定位特征的精度较学生模型获得的第一定位特征的精度高，在训练过程中，通过使第一定位特征与第二定位特征尽可能相似，使得学生模型在较少的参数的情况下，能够获得较多参数的教师模型所获得的定位特征的精度。
96.在一些实施例中，教师模型是经训练的模型，其中，在训练教师模型的过程中，针对教师模型采用训练图像中标注的检测框的位置进行监督。
97.在一些实施例中，检测框的位置可以是检测框中心的位置，也可以是检测框的对角线上的两个顶点(例如，左上顶点和右下顶点)的位置。
98.在一些实施例中，根据本公开的图像检测模型的训练方法还包括：
99.获得所述学生模型基于所述训练图像获得的第一分类特征，并且获得所述教师模型基于所述训练图像基于所述训练图像获得的第二分类特征，所述第一分类特征和所述第二分类特征分别指示所述训练对象对应于所述目标分类的概率；以及
100.将所述第一分类特征和所述第二分类特征获得第二损失，并且其中，步骤s450，基于第一损失，调整所述学生模型的参数包括：
101.基于所述第一损失和所述第二损失，调整所述学生模型的参数。
102.在基于教师模型训练学生模型的过程中，还基于教师模型和学生模型输出的分类特征之间的损失调整学生模型的参数，使得在教师模型和学生模型进行特征蒸馏的过程中，能够将分类信息从教师模型上迁移到学生模型上，使得经训练学生模型中所提取的特征能够同时兼顾到定位特征和分类特征，最终使学生模型经训练后获得的教师模型能获得准确的检测框的同时，获得准确的分类结果；即使图像检测模型的检测任务同时兼顾定位
任务和分类任务。
103.根据本公开的另一方面，还提供一种图像检测装置。如图5所示，装置500包括：目标图像获取单元510，被配置用于获得目标图像，所述目标图像包含有目标对象；目标序列值获取单元520，被配置用于基于所述目标图像的至少两个边中的每一个边的长度，获得该边对应的多个目标序列值；目标定位特征获取单元530，被配置用于基于所述目标图像，获得所述目标图像的目标定位特征，所述目标定位特征指示所述至少两个边对应的多个目标序列值中的每一个目标序列值与所述目标对象的检测框在所述目标图像中的位置相应的概率；以及检测框位置获取单元540，被配置用于基于所述目标定位特征，获得所述目标对象的检测框的位置。
104.在一些实施例中，所述目标定位特征获取单元包括：图像输入单元，被配置用于通过将所述目标图像输入图像检测模型，以获得所述定位特征，其中，所述图像检测模型是采用训练图像基于经训练的教师模型训练学生模型获得的，所述训练图像包括与所述目标对象相应的训练对象，在训练所述学生模型的过程中，通过将所述训练图像分别输入所述教师模型和所述学生模型，获得所述教师模型输出的第一定位特征和所述学生模型输出的第二定位特征，并且基于所述第一定位特征和所述第二定位特征获得的损失调整所述学生模型的参数；其中，所述第一定位特征和所述第二定位特征分别指示多个训练序列值中的每一个训练序列值与所述训练对象的检测框在所述训练图像中的位置相应的概率，所述多个训练序列值包括基于所述训练图像的至少两个边中的每一个边的长度获得的该边对应的多个训练序列值。
105.在一些实施例中，在训练所述学生模型的过程中，还通过将所述训练图像分别输入所述教师模型和所述学生模型，获得所述教师模型输出的第一分类特征和所述学生模型输出的第二分类特征，并且基于所述第一分类特征和所述第二分类特征获得的损失调整所述学生模型的参数；其中，所述第一分类特征和所述第二分类特征分别指示所述训练对象对应于目标分类的概率。
106.在一些实施例中，所述目标定位特征包括维度为4
×
n的矩阵，n为正整数；其中，所述矩阵中的多个行与所述目标图像的四个边分别对应，所述矩阵中的每一个行的多个元素与所述目标图像中的相应边所对应的多个目标序列值分别对应。
107.在一些实施例中，所述至少两个边中的每一个边对应的多个目标序列值中的任意两个相邻目标序列值之差为预设值。
108.在一些实施例中，所述至少两个边中的每一个边对应的多个目标序列值的数量与所述目标图像的至少两个边中较长的边相应。
109.根据本公开的另一方面，还提供一种图像检测模型的训练方法，所述数据处理模型包括学生模型，如图6所示，装置600包括：训练图像获取单元610，被配置用于获得训练图像，所述训练图像包括训练对象；训练序列值获取单元620，被配置用于基于所述训练图像的至少两个边中的每一个边的长度，获得该边对应的多个训练序列值；定位特征获取单元630，被配置用于获得所述学生模型基于所述训练数据获得的第一定位特征，并且获得经训练的教师模型于所述训练数据获得的第二定位特征，所述第一定位特征和所述第二定位特征分别指示所述至少两个边对应的多个训练序列值中的每一个训练序列值与所述训练对象的检测框在所述训练图像中的位置相应的概率；第一损失计算单元640，被配置用于基于
所述第一定位特征所述第二定位特征，获得第一损失；以及参数调整单元650，被配置用于基于所述第一损失，调整所述学生模型的参数。
110.在一些实施例中，装置600还包括：分类特征获取单元，被配置用于获得所述学生模型基于所述训练图像获得的第一分类特征，并且获得所述教师模型基于所述训练图像基于所述训练图像获得的第二分类特征，所述第一分类特征和所述第二分类特征分别指示所述训练对象对应于目标分类的概率；以及第二损失计算单元，被配置用于将所述第一分类特征和所述第二分类特征获得第二损失，并且其中，所述参数调整单元包括：参数调整子单元，被配置用于基于所述第一损失和所述第二损失，调整所述学生模型的参数。
111.在一些实施例中，第一定位特征和所述第二定位特征分别包括维度为4
×
n的矩阵，n为正整数；其中，所述矩阵中的多个行与所述训练图像的四个边分别对应，所述矩阵中的每一个行的多个元素与所述训练图像中的相应边所对应的多个训练序列值分别对应。
112.在一些实施例中，所述至少两个边中的每一个边对应的多个训练序列值中的任意两个相邻目标序列值之差为预设值。
113.在一些实施例中，所述至少两个边中的每一个边对应的多个训练序列值的数量与所述至少两个边中较长的边相应。
114.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
115.根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
116.参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
117.如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
118.电子设备700中的多个部件连接至i/o接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、
网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
119.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如方法200或方法400。例如，在一些实施例中，方法200或方法400可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到ram703并由计算单元701执行时，可以执行上文描述的方法200或方法400的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200或方法400。
120.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
121.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
122.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
123.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
124.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
125.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
126.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
127.虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

技术特征：

1.一种图像检测方法，包括：获得目标图像，所述目标图像包含有目标对象；基于所述目标图像的至少两个边中的每一个边的长度，获得该边对应的多个目标序列值；基于所述目标图像，获得所述目标图像的目标定位特征，所述目标定位特征指示所述至少两个边对应的多个目标序列值中的每一个目标序列值与所述目标对象的检测框在所述目标图像中的位置相应的概率；以及基于所述目标定位特征，获得所述目标对象的检测框的位置。2.根据权利要求1所述的方法，其中，所述基于所述目标图像，获得所述目标图像的目标定位特征包括：通过将所述目标图像输入图像检测模型，以获得所述定位特征，其中，所述图像检测模型是采用训练图像基于经训练的教师模型训练学生模型获得的，所述训练图像包括与所述目标对象相应的训练对象，在训练所述学生模型的过程中，通过将所述训练图像分别输入所述教师模型和所述学生模型，获得所述教师模型输出的第一定位特征和所述学生模型输出的第二定位特征，并且基于所述第一定位特征和所述第二定位特征获得的损失调整所述学生模型的参数；其中，所述第一定位特征和所述第二定位特征分别指示多个训练序列值中的每一个训练序列值与所述训练对象的检测框在所述训练图像中的位置相应的概率，所述多个训练序列值包括基于所述训练图像的至少两个边中的每一个边的长度获得的该边对应的多个训练序列值。3.根据权利要求1所述的方法，其中，所述目标定位特征包括维度为4
×
n的矩阵，n为正整数；其中，所述矩阵中的多个行与所述目标图像的四个边分别对应，所述矩阵中的每一个行的多个元素与所述目标图像中的相应边所对应的多个目标序列值分别对应。4.根据权利要求1所述的方法，其中，所述至少两个边中的每一个边对应的多个目标序列值中的任意两个相邻目标序列值之差为预设值。5.根据权利要求1所述的方法，其中，所述至少两个边中的每一个边对应的多个目标序列值的数量与所述目标图像的多个边中较长的边相应。6.一种图像检测模型的训练方法，其中，所述数据处理模型包括学生模型，所述方法包括：获得训练图像，所述训练图像包括训练对象；基于所述训练图像的至少两个边中的每一个边的长度，获得该边对应的多个训练序列值；获得所述学生模型基于所述训练数据获得的第一定位特征，并且获得经训练的教师模型于所述训练数据获得的第二定位特征，所述第一定位特征和所述第二定位特征分别指示所述至少两个边对应的多个训练序列值中的每一个训练序列值与所述训练对象的检测框在所述训练图像中的位置相应的概率；基于所述第一定位特征所述第二定位特征，获得第一损失；以及基于所述第一损失，调整所述学生模型的参数。
7.根据权利要求6所述的方法，还包括：获得所述学生模型基于所述训练图像获得的第一分类特征，并且获得所述教师模型基于所述训练图像基于所述训练图像获得的第二分类特征，所述第一分类特征和所述第二分类特征分别指示所述训练对象对应于目标分类的概率；以及将所述第一分类特征和所述第二分类特征获得第二损失，并且其中，所述基于第一损失，调整所述学生模型的参数包括：基于所述第一损失和所述第二损失，调整所述学生模型的参数。8.根据权利要求6所述的方法，其中，第一定位特征和所述第二定位特征分别包括维度为4
×
n的矩阵，n为正整数；其中，所述矩阵中的多个行与所述训练图像的四个边分别对应，所述矩阵中的每一个行的多个元素与所述训练图像中的相应边所对应的多个训练序列值分别对应。9.根据权利要求6所述的方法，其中，所述至少两个边中的每一个边对应的多个训练序列值中的任意两个相邻训练序列值之差为预设值。10.根据权利要求6所述的方法，其中，所述至少两个边中的每一个边对应的多个训练序列值的数量与所述至少两个边中较长的边相应。11.一种图像检测装置，包括：目标图像获取单元，被配置用于获得目标图像，所述目标图像包含有目标对象；目标序列值获取单元，被配置用于基于所述目标图像的至少两个边中的每一个边的长度，获得该边对应的多个目标序列值；目标定位特征获取单元，被配置用于基于所述目标图像，获得所述目标图像的目标定位特征，所述目标定位特征指示所述至少两个边对应的多个目标序列值中的每一个目标序列值与所述目标对象的检测框在所述目标图像中的位置相应的概率；以及检测框位置获取单元，被配置用于基于所述目标定位特征，获得所述目标对象的检测框的位置。12.根据权利要求11所述的装置，其中，所述目标定位特征获取单元包括：图像输入单元，被配置用于通过将所述目标图像输入图像检测模型，以获得所述定位特征，其中，所述图像检测模型是采用训练图像基于经训练的教师模型训练学生模型获得的，所述训练图像包括与所述目标对象相应的训练对象，在训练所述学生模型的过程中，通过将所述训练图像分别输入所述教师模型和所述学生模型，获得所述教师模型输出的第一定位特征和所述学生模型输出的第二定位特征，并且基于所述第一定位特征和所述第二定位特征获得的损失调整所述学生模型的参数；其中，所述第一定位特征和所述第二定位特征分别指示多个训练序列值中的每一个训练序列值与所述训练对象的检测框在所述训练图像中的位置相应的概率，所述多个训练序列值包括基于所述训练图像的至少两个边中的每一个边的长度获得的该边对应的多个训练序列值。13.根据权利要求11所述的装置，其中，所述目标定位特征包括维度为4
×
n的矩阵，n为正整数；其中，所述矩阵中的多个行与所述目标图像的四个边分别对应，所述矩阵中的每一个行的多个元素与所述目标图像中的相应边所对应的多个目标序列值分别对应。
14.根据权利要求11所述的装置，其中，所述至少两个边中的每一个边对应的多个目标序列值中的任意两个相邻目标序列值之差为预设值。15.根据权利要求11所述的装置，其中，所述至少两个边中的每一个边对应的多个目标序列值的数量与所述目标图像的至少两个边中较长的边相应。16.一种图像处理模型的训练装置，其中，所述数据处理模型包括学生模型，所述装置包括：训练图像获取单元，被配置用于获得训练图像，所述训练图像包括训练对象；训练序列值获取单元，被配置用于基于所述训练图像的至少两个边中的每一个边的长度，获得该边对应的多个训练序列值；定位特征获取单元，被配置用于获得所述学生模型基于所述训练数据获得的第一定位特征，并且获得经训练的教师模型于所述训练数据获得的第二定位特征，所述第一定位特征和所述第二定位特征分别指示所述至少两个边对应的多个训练序列值中的每一个训练序列值与所述训练对象的检测框在所述训练图像中的位置相应的概率；第一损失计算单元，被配置用于基于所述第一定位特征所述第二定位特征，获得第一损失；以及参数调整单元，被配置用于基于所述第一损失，调整所述学生模型的参数。17.根据权利要求16所述的装置，还包括：分类特征获取单元，被配置用于获得所述学生模型基于所述训练图像获得的第一分类特征，并且获得所述教师模型基于所述训练图像基于所述训练图像获得的第二分类特征，所述第一分类特征和所述第二分类特征分别指示所述训练对象对应于目标分类的概率；以及第二损失计算单元，被配置用于将所述第一分类特征和所述第二分类特征获得第二损失，并且其中，所述参数调整单元包括：参数调整子单元，被配置用于基于所述第一损失和所述第二损失，调整所述学生模型的参数。18.根据权利要求16所述的装置，其中，第一定位特征和所述第二定位特征分别包括维度为4
×
n的矩阵，n为正整数；其中，所述矩阵中的多个行与所述训练图像的四个边分别对应，所述矩阵中的每一个行的多个元素与所述训练图像中的相应边所对应的多个训练序列值分别对应。19.根据权利要求16所述的装置，其中，所述至少两个边中的每一个边对应的多个训练序列值中的任意两个相邻目标序列值之差为预设值。20.根据权利要求16所述的装置，其中，所述至少两个边中的每一个边对应的多个训练序列值的数量与所述至少两个边中较长的边相应。21.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于
使所述计算机执行根据权利要求1-10中任一项所述的方法。23.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。

技术总结

本公开提供了一种图像检测方法和图像检测模型的训练方法，涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，可应用于人脸识别等场景。实现方案为：获得目标图像，目标图像包含有目标对象；基于目标图像的至少两个边中的每一个边的长度，获得该边对应的多个目标序列值；基于目标图像，获得目标图像的目标定位特征，目标定位特征指示至少两个边对应的多个目标序列值中的每一个目标序列值与目标对象的检测框在目标图像中的位置相应的概率；以及基于目标定位特征，获得目标对象的检测框的位置。标对象的检测框的位置。标对象的检测框的位置。