本發(fā)明涉及一種鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法及相關(guān)裝置，屬于圖像處理領(lǐng)域。

背景技術(shù)：

1、在鐵路運(yùn)輸系統(tǒng)中，準(zhǔn)確、快速地識(shí)別鐵路環(huán)境中的桿號(hào)牌與公里標(biāo)對(duì)于保障列車安全運(yùn)行、提升調(diào)度效率具有重要意義。隨著深度學(xué)習(xí)技術(shù)的發(fā)展和鐵路圖像數(shù)據(jù)量的急劇增加，基于深度學(xué)習(xí)的鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法正逐漸成為主流，但是在實(shí)際應(yīng)用中，由于鐵路信息的種類繁多且環(huán)境復(fù)雜多變，通常采用復(fù)雜的網(wǎng)絡(luò)模型來提高識(shí)別的準(zhǔn)確性，這種模型會(huì)占用更多的內(nèi)存和計(jì)算資源，限制了在資源受限設(shè)備上部署的可能性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法及相關(guān)裝置，解決了背景技術(shù)中披露的問題。

2、根據(jù)本公開的一個(gè)方面，提供一種鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法，其特征在于，包括：

3、獲取鐵路桿號(hào)牌與公里標(biāo)所在的圖像；

4、根據(jù)鐵路桿號(hào)牌與公里標(biāo)所在的圖像，采用預(yù)先訓(xùn)練的知識(shí)蒸餾模型中的學(xué)生模型，進(jìn)行鐵路桿號(hào)牌與公里標(biāo)識(shí)別；

5、其中，在知識(shí)蒸餾模型訓(xùn)練過程中，將相同的訓(xùn)練樣本輸入教師模型和學(xué)生模型，獲得教師模型的特征表征圖、學(xué)生模型的特征表征圖、教師模型的輸出以及學(xué)生模型的輸出；根據(jù)特征表征圖，采用自主立意機(jī)制，獲得特征表征圖中的像素關(guān)系；在特征表征圖上蒸餾空間知識(shí)，建立特征蒸餾損失；在像素關(guān)系上蒸餾全局知識(shí)，建立關(guān)系蒸餾損失；在輸出上蒸餾語義知識(shí)，建立輸出蒸餾損失；根據(jù)特征蒸餾損失、關(guān)系蒸餾損失和輸出蒸餾損失，構(gòu)建總的蒸餾損失。

6、在本公開的一些實(shí)施例中，在蒸餾空間知識(shí)時(shí)，構(gòu)建gaussian掩碼模擬前景真實(shí)標(biāo)簽部分；

7、特征蒸餾損失為：

8、；

9、式中，lf為特征蒸餾損失，w、h和c分別為特征表征圖的長(zhǎng)、寬和通道數(shù)量，為歸一化因子，為用來對(duì)齊學(xué)生模型特征表征圖中特征空間維度和教師模型特征表征圖中特征空間維度的線性轉(zhuǎn)換層，為教師模型的特征表征圖中第i行、第j列、第c個(gè)通道的特征，為學(xué)生模型的特征表征圖中第i行、第j列、第c個(gè)通道的特征，mijc為第i行、第j列、第c個(gè)通道的gaussian掩碼。

10、在本公開的一些實(shí)施例中，關(guān)系蒸餾損失為：

11、；

12、式中，lr為關(guān)系蒸餾損失，w、h和c分別為特征表征圖的長(zhǎng)、寬和通道數(shù)量，為用來對(duì)齊學(xué)生模型特征表征圖中像素關(guān)系和教師模型特征表征圖中像素關(guān)系的線性轉(zhuǎn)換層，為學(xué)生模型特征表征圖中第i行、第j列、第c個(gè)通道的像素關(guān)系，為教師模型的特征表征圖中第i行、第j列、第c個(gè)通道的像素關(guān)系，表示求解l2距離。

13、在本公開的一些實(shí)施例中，輸出包括預(yù)測(cè)分類和預(yù)測(cè)位置；

14、在輸出上蒸餾語義知識(shí)，建立輸出蒸餾損失，包括：

15、比較教師模型和學(xué)生模型在預(yù)測(cè)分類概率上的差異，建立初始的分類差異損失；

16、根據(jù)初始的分類差異損失，利用損失加權(quán)策略，建立輸出蒸餾損失中的分類差異損失；

17、比較教師模型和學(xué)生模型在預(yù)測(cè)位置上的差異，建立初始的位置差異損失；

18、根據(jù)初始的位置差異損失，利用損失加權(quán)策略，建立輸出蒸餾損失中的位置差異損失；其中，在損失加權(quán)策略中，權(quán)重根據(jù)類別的重要性或難易程度調(diào)整。

19、在本公開的一些實(shí)施例中，輸出蒸餾損失中的分類差異損失為：

20、；

21、式中，lc為輸出蒸餾損失中的分類差異損失，n為位置總數(shù)，k為類別總數(shù)，lbce為二元交叉熵?fù)p失，分別為中第i1個(gè)預(yù)測(cè)位置的第j1個(gè)預(yù)測(cè)類別，為教師模型輸出的預(yù)測(cè)分類，為學(xué)生模型輸出的預(yù)測(cè)分類，為第i1個(gè)預(yù)測(cè)位置的第j1個(gè)預(yù)測(cè)類別的權(quán)重。

22、在本公開的一些實(shí)施例中，輸出蒸餾損失中的位置差異損失為：

23、；

24、式中，ll為輸出蒸餾損失中的位置差異損失，n為位置總數(shù)，k為類別總數(shù)，lgiou為廣義交并聯(lián)合損失，分別為教師模型輸出的第i1個(gè)預(yù)測(cè)位置和學(xué)生模型輸出的第i1個(gè)預(yù)測(cè)位置，為權(quán)重矩陣中第j1個(gè)預(yù)測(cè)類別所在行的最大權(quán)重。

25、在本公開的一些實(shí)施例中，總的蒸餾損失為：

26、；

27、式中，lf為特征蒸餾損失，lr為關(guān)系蒸餾損失，lc為輸出蒸餾損失中的分類差異損失，ll為輸出蒸餾損失中的位置差異損失，ltotal為總的蒸餾損失，分別為lf、lr、lc、ll的平衡系數(shù)。

28、根據(jù)本公開的另一個(gè)方面，提供一種鐵路桿號(hào)牌與公里標(biāo)識(shí)別裝置，包括：

29、獲取模塊，獲取鐵路桿號(hào)牌與公里標(biāo)所在的圖像；

30、識(shí)別模塊，根據(jù)鐵路桿號(hào)牌與公里標(biāo)所在的圖像，采用預(yù)先訓(xùn)練的知識(shí)蒸餾模型中的學(xué)生模型，進(jìn)行鐵路桿號(hào)牌與公里標(biāo)識(shí)別；

31、其中，在知識(shí)蒸餾模型訓(xùn)練過程中，將相同的訓(xùn)練樣本輸入教師模型和學(xué)生模型，獲得教師模型的特征表征圖、學(xué)生模型的特征表征圖、教師模型的輸出以及學(xué)生模型的輸出；根據(jù)特征表征圖，采用自主立意機(jī)制，獲得特征表征圖中的像素關(guān)系；在特征表征圖上蒸餾空間知識(shí)，建立特征蒸餾損失；在像素關(guān)系上蒸餾全局知識(shí)，建立關(guān)系蒸餾損失；在輸出上蒸餾語義知識(shí)，建立輸出蒸餾損失；根據(jù)特征蒸餾損失、關(guān)系蒸餾損失和輸出蒸餾損失，構(gòu)建總的蒸餾損失。

32、根據(jù)本公開的另一個(gè)方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)一個(gè)或多個(gè)程序，一個(gè)或多個(gè)程序包括指令，指令當(dāng)由計(jì)算設(shè)備執(zhí)行時(shí)，使得計(jì)算設(shè)備執(zhí)行鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法。

33、根據(jù)本公開的另一個(gè)方面，提供一種計(jì)算機(jī)設(shè)備，包括一個(gè)或多個(gè)處理器、以及一個(gè)或多個(gè)存儲(chǔ)器，一個(gè)或多個(gè)程序存儲(chǔ)在一個(gè)或多個(gè)存儲(chǔ)器中并被配置為由一個(gè)或多個(gè)處理器執(zhí)行，一個(gè)或多個(gè)程序包括用于執(zhí)行鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法的指令。

34、本發(fā)明所達(dá)到的有益效果：本發(fā)明摒棄了傳統(tǒng)復(fù)雜的識(shí)別模型，采用知識(shí)蒸餾模型中的學(xué)生模型進(jìn)行鐵路桿號(hào)牌與公里標(biāo)識(shí)別，在保證識(shí)別性能的同時(shí)降低所占用的內(nèi)存和計(jì)算資源，可部署在資源受限的設(shè)備上，并且本發(fā)明的模型中并非考慮單一類型的蒸餾方法，考慮了特征蒸餾損、像素關(guān)系蒸餾和模型輸出蒸餾，可根據(jù)任務(wù)的復(fù)雜性自動(dòng)調(diào)整蒸餾策略，使得模型在任務(wù)中能夠保持優(yōu)秀的性能。

技術(shù)特征：

1.一種鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法，其特征在于，在蒸餾空間知識(shí)時(shí)，構(gòu)建gaussian掩碼模擬前景真實(shí)標(biāo)簽部分；

3.根據(jù)權(quán)利要求1所述的鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法，其特征在于，關(guān)系蒸餾損失為：

4.根據(jù)權(quán)利要求1所述的鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法，其特征在于，輸出包括預(yù)測(cè)分類和預(yù)測(cè)位置；

5.根據(jù)權(quán)利要求4所述的鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法，其特征在于，輸出蒸餾損失中的分類差異損失為：

6.根據(jù)權(quán)利要求4所述的鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法，其特征在于，輸出蒸餾損失中的位置差異損失為：

7.根據(jù)權(quán)利要求4所述的鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法，其特征在于，總的蒸餾損失為：

8.一種鐵路桿號(hào)牌與公里標(biāo)識(shí)別裝置，其特征在于，包括：

9.一種存儲(chǔ)一個(gè)或多個(gè)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于：一個(gè)或多個(gè)程序包括指令，指令當(dāng)由計(jì)算設(shè)備執(zhí)行時(shí)，使得計(jì)算設(shè)備執(zhí)行權(quán)利要求1至7所述的任一方法。

10.一種計(jì)算設(shè)備，其特征在于：包括，

技術(shù)總結(jié)
本發(fā)明公開了一種鐵路桿號(hào)牌與公里標(biāo)識(shí)別方法及相關(guān)裝置，本發(fā)明摒棄了傳統(tǒng)復(fù)雜的識(shí)別模型，采用知識(shí)蒸餾模型中的學(xué)生模型進(jìn)行鐵路桿號(hào)牌與公里標(biāo)識(shí)別，在保證識(shí)別性能的同時(shí)降低所占用的內(nèi)存和計(jì)算資源，可部署在資源受限的設(shè)備上，并且本發(fā)明的模型中并非考慮單一類型的蒸餾方法，考慮了特征蒸餾、像素關(guān)系蒸餾和模型輸出蒸餾，可根據(jù)任務(wù)的復(fù)雜性自動(dòng)調(diào)整蒸餾策略，使得模型在任務(wù)中能夠保持優(yōu)秀的性能。

技術(shù)研發(fā)人員：鄭鵬,喬忠偉,任軍,王瑞卿,吳澤彬,王洪亮,徐雷,徐洋,詹天明,盛杰,于昆勇,王振宇,仲澤崗,龔健,杜沛東,李振龍
受保護(hù)的技術(shù)使用者：南京智蓮森信息技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21