计算机视觉模型训练方法及装置、电子设备和存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种计算机视觉模型训练方法及装置、电子设备和存储介质。


背景技术：

2.目前在计算机技术领域，为避免数据隐私泄露，数据的产生端通常与模型的训练端绑定。然而，这种训练模式在保护数据隐私的同时使得每个终端也形成了数据孤岛，不同终端的数据无法聚合在一起进行训练，难以发挥最大的潜力。


技术实现要素：

3.本公开提出了一种计算机视觉模型训练方法及装置、电子设备和存储介质技术方案，旨在保护隐私的同时融合各终端中模型的特性。
4.根据本公开的第一方面，提供了一种计算机视觉模型训练方法，包括：
5.获取多个视觉模型；
6.分别根据各所述视觉模型生成多个合成图像；
7.将各所述合成图像分别作为各所述视觉模型的输入进行模型蒸馏，得到目标视觉模型。
8.在一种可能的实现方式中，所述分别根据各所述视觉模型生成多个合成图像包括：
9.确定初始的多个噪声图像；
10.将各初始的所述噪声图像分别输入各所述视觉模型中进行迭代更新，直至第一损失函数的值满足收敛条件，得到与各所述噪声图像对应的合成图像，
11.其中，所述第一损失函数的值根据第一损失、第二损失以及第三损失确定。
12.在一种可能的实现方式中，所述第一损失用于表征对应视觉模型在检测所述噪声图像过程中产生的损失；
13.所述第二损失用于表征所述噪声图像与真实图像相似程度；
14.所述第三损失用于表征所述噪声图像在对应视觉模型的各批处理层传递过程中产生的损失。
15.在一种可能的实现方式中，所述第一损失的确定过程包括：
16.确定初始的每个所述噪声图像对应的第一标注结果；
17.将各初始的所述噪声图像分别输入各所述视觉模型中，得到对应的第二标注结果；
18.根据每个所述噪声图像的第一标注结果和第二标注结果确定第一损失。
19.在一种可能的实现方式中，所述第二损失根据所述噪声图像中各像素值确定。
20.在一种可能的实现方式中，所述第三损失根据所述噪声图像输入对应视觉模型后，各批处理层输出的第一特征图，以及输入各所述批处理层的第二特征图确定。
21.在一种可能的实现方式中，所述将各所述合成图像分别作为各所述视觉模型的输入进行模型蒸馏，得到目标视觉模型包括：
22.在各所述视觉模型中确定用于迁移其他视觉模型检测性能的第一视觉模型，并将除了第一视觉模型以外的其他模型作为第二视觉模型；
23.将各所述合成图像分别作为所述第一视觉模型和各所述第二视觉模型的输入进行模型蒸馏，得到目标视觉模型。
24.在一种可能的实现方式中，所述将各所述合成图像分别作为所述第一视觉模型和各所述第二视觉模型的输入进行模型蒸馏，得到目标视觉模型包括：
25.将各所述合成图像输入第一视觉模型得到第一检测结果；
26.将各所述合成图像分别输入第二视觉模型得到第二检测结果；
27.通过第二损失函数迭代训练所述第一视觉模型，得到目标视觉模型，所述第二损失函数根据所述第一检测结果和各所述第二检测结果确定。
28.在一种可能的实现方式中，所述方法还包括：
29.响应于接收到模型更新请求，返回所述目标视觉模型的目标模型参数。
30.在一种可能的实现方式中，所述第二损失函数为所述第一检测结果和每个所述第二检测结果的l2范数和。
31.在一种可能的实现方式中，所述方法还包括：
32.获取所述多个电子设备中存储的真实图像；
33.所述将各所述合成图像分别作为所述第一视觉模型和各所述第二视觉模型的输入进行模型蒸馏，得到目标视觉模型包括：
34.将各所述真实图像和各所述合成图像分别作为所述第一视觉模型和各所述第二视觉模型的输入进行模型蒸馏，得到目标视觉模型。
35.根据本公开的第二方面，提供了一种计算机视觉模型训练装置，包括：
36.模型确定模块，用于获取多个视觉模型；
37.图像生成模块，用于分别根据各所述视觉模型生成多个合成图像；
38.模型蒸馏模块，用于将各所述合成图像分别作为各所述视觉模型的输入进行模型蒸馏，得到目标视觉模型。
39.在一种可能的实现方式中，所述图像生成模块包括：
40.图像初始化子模块，用于确定初始的多个噪声图像；
41.图像迭代子模块，用于将各初始的所述噪声图像分别输入各所述视觉模型中进行迭代更新，直至第一损失函数的值满足收敛条件，得到与各所述噪声图像对应的合成图像，
42.其中，所述第一损失函数的值根据第一损失、第二损失以及第三损失确定。
43.在一种可能的实现方式中，所述第一损失用于表征对应视觉模型在检测所述噪声图像过程中产生的损失；
44.所述第二损失用于表征所述噪声图像与真实图像相似程度；
45.所述第三损失用于表征所述噪声图像在对应视觉模型的各批处理层传递过程中产生的损失。
46.在一种可能的实现方式中，所述第一损失的确定过程包括：
47.确定初始的每个所述噪声图像对应的第一标注结果；
48.将各初始的所述噪声图像分别输入各所述视觉模型中，得到对应的第二标注结果；
49.根据每个所述噪声图像的第一标注结果和第二标注结果确定第一损失。
50.在一种可能的实现方式中，所述第二损失根据所述噪声图像中各像素值确定。
51.在一种可能的实现方式中，所述第三损失根据所述噪声图像输入对应视觉模型后，各批处理层输出的第一特征图，以及输入各所述批处理层的第二特征图确定。
52.在一种可能的实现方式中，所述模型蒸馏模块包括：
53.模型选择子模块，用于在各所述视觉模型中确定用于迁移其他视觉模型检测性能的第一视觉模型，并将除了第一视觉模型以外的其他模型作为第二视觉模型；
54.模型蒸馏子模块，用于将各所述合成图像分别作为所述第一视觉模型和各所述第二视觉模型的输入进行模型蒸馏，得到目标视觉模型。
55.在一种可能的实现方式中，所述模型蒸馏子模块包括：
56.第一检测单元，用于将各所述合成图像输入第一视觉模型得到第一检测结果；
57.第二检测单元，用于将各所述合成图像分别输入第二视觉模型得到第二检测结果；
58.迭代训练单元，用于通过第二损失函数迭代训练所述第一视觉模型，得到目标视觉模型，所述第二损失函数根据所述第一检测结果和各所述第二检测结果确定。
59.在一种可能的实现方式中，所述装置还包括：
60.参数发送模块，用于响应于接收到模型更新请求，返回所述目标视觉模型的目标模型参数。
61.在一种可能的实现方式中，所述第二损失函数为所述第一检测结果和每个所述第二检测结果的l2范数和。
62.在一种可能的实现方式中，所述装置还包括：
63.真实图像获取模块，用于获取所述多个电子设备中存储的真实图像；
64.所述模型蒸馏子模块包括：
65.模型蒸馏单元，用于将各所述真实图像和各所述合成图像分别作为所述第一视觉模型和各所述第二视觉模型的输入进行模型蒸馏，得到目标视觉模型。
66.根据本公开的第三方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
67.根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
68.在本公开实施例中，能够通过模型蒸馏的方式融合多个视觉模型特性，且在融合模型特性的同时有效保护各电子设备的隐私。
69.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
70.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
71.图1示出一种应用本公开实施例的计算机视觉模型训练方法的系统示意图；
72.图2示出根据本公开实施例的一种计算机视觉模型训练方法的流程图；
73.图3示出根据本公开实施例的确定合成图像过程的流程图；
74.图4是根据示例性实施例示出的一种确定合成图像的示意图；
75.图5是根据示例性实施例示出的另一种确定合成图像的示意图；
76.图6示出根据本公开实施例的以迭代方式生成合成图像的示意图；
77.图7示出根据本公开实施例的模型蒸馏过程的示意图；
78.图8是根据示例性实施例示出的一种参数通信过程的示意图；
79.图9是根据示例性实施例示出的另一种参数通信过程的示意图；
80.图10示出根据本公开实施例的计算机视觉模型训练装置的示意图；
81.图11是根据示例性实施例示出的一种电子设备的框图；
82.图12是根据示例性实施例示出的另一种电子设备的框图。
具体实施方式
83.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
84.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
85.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
86.另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
87.图1示出一种应用本公开实施例的计算机视觉模型训练方法的系统示意图。如图1所示，在一个可能的实现方式中，实现本公开实施例的计算机视觉模型训练方法的系统包括通过第一电子设备10，以及通过网络与第一电子设备10连接的多个第二电子设备11。其中，各第二电子设备11中均部署有视觉模型，以通过其获取的图像数据训练该视觉模型。可选地，各第二电子设备11中视觉模型的框架相同，仅由于训练集不同导致模型参数不同。第一电子设备10接收各第二电子设备11通过对应训练集训练得到的模型参数，以在第一电子设备10内确定各第二电子设备11中的视觉模型，通过生成合成图像进行模型蒸馏的方式将各第二电子设备11中的视觉模型进行融合，得到具备各视觉模型特性的目标视觉模型。
88.可选地，各第二电子设备11中的训练集可以通过接收特定电子设备获取的图像确定，或由第二电子设备11直接获取图像确定。
89.进一步地，该系统中执行计算机视觉模型训练方法的第一电子设备10，以及提供模型参数的第二电子设备11均可以为终端设备或服务器等电子设备。其中，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等能够进行数据处理的设备，该检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，在电子设备为服务器时，还可以通过服务器执行上述计算机视觉模型训练方法。可选地，服务器可以为单独的服务器或由多个服务器组成的集群。
90.本公开实施例可以应用于任意对多个计算机视觉模型进行融合的场景，例如对不同智能手机中的人脸识别模型进行特征融合，以提高人脸识别模型的普适性。或者对不同终端设备中的图像分类模型进行特征融合，以提高图像分类模型分类结果的准确性。
91.图2示出根据本公开实施例的一种计算机视觉模型训练方法的流程图。如图2所示，本公开实施例在进行计算机视觉模型训练时，可以包括以下步骤：
92.步骤s10、获取多个视觉模型。
93.在一种可能的实现方式中，一个或多个电子设备中部署多个视觉模型，各视觉模型分别基于对应电子设备中的训练集训练得到。其中，各电子设备中的训练集可以通过接收特定的图像采集装置采集到的多个图像确定，或者直接通过电子设备内置的图像采集单元采集到的多个图像确定。执行本公开实施例计算机视觉模型训练方法的电子设备可以通过获取分别来自多个电子设备的多组模型参数，并根据预设的模型框架分别确定各组模型参数对应的视觉模型得到多个视觉模型。
94.由于各电子设备中的训练集各不相同，且不互通，训练得到的各视觉模型对应的模型参数也不同。进一步地，可以通过获取多个电子设备中视觉模型对应的多组模型参数确定多个视觉模型，以进一步对各视觉模型的特性进行融合。可选地，每一组模型参数包括对应电子设备中视觉模型的全部参数。
95.在一种可能的实现方式中，获取电子设备传输的模型参数的方式可以为向各电子设备发送参数获取请求，电子设备在接收到参数获取请求后返回对应的模型参数。或者，各电子设备还可以在对应的视觉模型训练完成后自动上传模型参数。
96.进一步地，各电子设备中的视觉模型的结构可以相同，也可以不同。在视觉模型的结构均相同的情况下，只需要获取各电子设备中视觉模型的模型参数。在视觉模型的结构不相同的情况下，还可以在获取视觉模型的模型参数的同时获取对应的模型框架。
97.在一种可能的实现方式中，预先设定一个与各电子设备中视觉模型结构相同的模型框架，再根据各组模型参数在接收模型参数的电子设备中生成对应的视觉模型。通过上述方式在仅获取模型参数的情况下得到各电子设备训练得到的视觉模型。
98.进一步地，当各电子设备中部署的视觉模型结构不同时，接收模型参数的电子设备在接收各电子设备传输的多组模型参数的同时，还接收各组模型参数对应的模型框架。根据各组模型参数和对应的模型框架得到各电子设备训练得到的视觉模型。
99.步骤s20、分别根据各所述视觉模型生成多个合成图像。
100.在一种可能的实现方式中，在确定多个视觉模型后，基于各视觉模型生成多个合成图像。该合成图像的确定过程可以进一步根据各合成图像进行模型蒸馏，在不接收各视觉模型对应训练集的情况下融合各视觉模型的性能。
101.图3示出根据本公开实施例的确定合成图像过程的流程图。如图3所示，在一种可能的实现方式中，本公开实施例根据视觉模型确定合成图像的过程可以包括以下步骤：
102.步骤s21、确定初始的多个噪声图像。
103.在一种可能的实现方式中，初始的多个噪声图像可以通过电子设备随机初始化的方式得到。例如，可以通过向预设的空白图像上随机添加噪声的方式初始化多个噪声图像。可选地，可以通过高斯噪声、椒盐噪声等噪声生成噪声图像。可选地，在确定初始的多个噪声图像的同时，还可以根据各视觉模型的输出结果随机生成各噪声图像对应的第一标注结果。
104.进一步地，第一标注结果中可以包括一种或多种数据。例如，当视觉模型的输出为检测框坐标时，随机确定各噪声图像对应的检测框坐标作为第一标注结果。当视觉模型的输出为图像类别时，随机确定各噪声图像对应类别作为第一标注结果。当视觉模型的输出结果为检测框坐标和图像类别时，随机确定各噪声图像对应检测框坐标和类别作为第一标注结果。
105.步骤s22、将各初始的所述噪声图像分别输入各所述视觉模型中，进行迭代更新，直至第一损失函数的值满足收敛条件，得到与各所述噪声图像对应的合成图像。
106.在一种可能的实现方式中，将确定初始的得到的多个初始的噪声图像输入各视觉模型中，输出预测的第二标注结果。其中，各噪声图像可以均输入各视觉模型中，得到各视觉模型输出的多个第二标注结果。或者，各噪声图像只输入到一个视觉模型中，得到对应视觉模型输出的第二标注结果。例如，当视觉模型用于图像分类时，输出的第二标注结果可以为检测噪声图像得到的检测框坐标和/或图像类别。
107.在一种可能的实现方式中，对于各噪声图像，通过其输入的视觉模型进行迭代更新，直到第一损失函数的值满足收敛条件时，得到噪声图像与该视觉模型对应的合成图像。其中，第一损失函数的值根据每个噪声图像的第一损失、第二损失以及第三损失确定。其中，第一损失表征对应视觉模型在检测噪声图像过程中产生的损失，第二损失表征噪声图像与真实图像的相似程度，第三损失表征噪声图像在对应视觉模型的各批处理层传递过程中产生的损失。
108.在一种可能的实现方式中，第一损失函数可以包括第一损失、第二损失和第三损失。可选地，第一损失函数可以为第一损失、第二损失和第三损失的加权和。其中，第一损失用于表征对应视觉模型在检测所述噪声图像过程中产生的损失。第二损失用于表征噪声图像与真实图像的相似程度，第三损失用于表征噪声图像在对应视觉模型的各批处理层传递过程中产生的损失。进一步地，第一损失的确定过程包括确定初始的每个噪声图像对应的第一标注结果，将各初始的噪声图像分别输入各所述视觉模型中，得到对应的第二标注结果。根据每个噪声图像的第一标注结果和第二标注结果确定第一损失。其中，第一标注结果与初始的噪声图像一同初始化得到。第二损失根据噪声图像中各像素值确定。第三损失根据噪声图像输入对应视觉模型后，各批处理层输出的第一特征图，以及输入各批处理层的第二特征图确定。
109.本公开实施例基于噪声图像与真实图像的像素程度、输入视觉模型的检测损失以及输入视觉模型中各层输入输出的差异确定第一损失函数，能够基于三种不同的损失对噪声图像进行迭代。通过该第一损失函数得到的合成图像能够表征其输入视觉模型对应训练
集的特性，提高后续的模型蒸馏结果的准确程度。
110.可选地，第一损失可以根据各视觉模型的输出结果内容确定，表征视觉模型检测结果和实际结果的差异，即输入视觉模型的噪声图像对应的第一标注结果，和该视觉模型输出第二标注结果之间的差异。例如，当第一标注结果和第二标注结果包括的内容为图像类别时，可以通过计算交叉熵的方式确定第一损失。当第一标注结果和第二标注结果包括的内容为检测框坐标时，可以通过计算l1范数的方式确定第一损失。进一步地，当第一标注结果和第二标注结果中包括多个内容时，还可以通过计算各内容的加权和得到第一损失方式。
111.容易理解，上述确定模型检测结果和实际结果差异的方式为本公开实施例中可选的示例性方式。除了上述方式以外，在应用过程中还可以基于视觉模型输出的差异通过多种不同的损失计算方式确定第一损失，在此不再赘述。
112.进一步地，第二损失表征噪声图像与真实图像的像素程度，可以通过噪声图像各像素位置的像素值确定。其中，第二损失的值越低表征噪声图像与真实图像越相似。例如，对于各噪声图像，可以先获取各像素位置的像素值，通过计算各像素值的l2范数确定第二损失，或者计算各像素值的总分变(total variation)确定第二损失。可选地，还可以通过计算各像素值的l2范数与总分变的加权和确定第二损失。其中，总分变表征信号变化程度的和，可以通过计算各像素值与各相邻像素差异的平方，再计算总和确定。
113.在一种可能的实现方式中，各视觉模型中均包括多个批处理层，各噪声图像在输入视觉模型中后经过多个批处理层依次处理，得到最终的输出结果。其中，各批处理层的输入和输出均为一张特征图像，各批处理层输入的特征图像和输出的特征图像存在一定的差异。可选地，第三损失可以表征视觉模型中各批处理层输入输出差异。例如，对于各视觉模型，可以确定其中各批处理层输入特征图像的均值和标准差，以及输出特征图像的均值和标准差。先计算各批处理层输入特征图像均值和输出特征图像均值之间的l2范数和，以及输入特征图像标准差和输出特征图像标准差之间得到l2范数和，再通过计算两个l2范数和的加权和得到第三损失。
114.在一种可能的实现方式中，在得到各噪声图像输入视觉模型的第一损失函数后，通过梯度下降法迭代各噪声图像，直到第一损失函数的值满足预设的收敛条件时停止迭代得到合成图像。其中，收敛条件可以为第一损失函数的值小于收敛阈值，或者第一损失函数的值为预设迭代次数中的最小值等。
115.图4是根据示例性实施例示出的一种确定合成图像的示意图。如图4所示，在一种可选的实现方式中，对于随机生成的各噪声图像40，可以分别输入不同的多个视觉模型41中进行迭代。由于各视觉模型41的模型参数不同，同一噪声图像40经过n个视觉模型41迭代后可以得到不同的n个合成图像42。
116.图5是根据示例性实施例示出的另一种确定合成图像的示意图。如图5所示，在一种可选的实现方式中，对于随机生成的各噪声图像50，可以将每一个噪声图像仅输入一个视觉模型51进行迭代得到对应的合成图像52。该合成图像的生成方式能够增加不同合成图像的差异，进一步提高模型蒸馏结果的准确程度。
117.图6示出根据本公开实施例的以迭代方式生成合成图像的示意图。如图6所示，在一种可能的实现方式中，本公开实施例的合成图像生成方式为先确定一个噪声图像60，再
将噪声图像输入视觉模型61，根据视觉模型61输出的第二标注结果、噪声图像60各像素位置的像素值以及视觉模型61中各批处理层的输入输出计算得到第一损失函数62。进一步地，判断第一损失函数62的值是否满足预设的收敛条件63，在满足的情况下得到噪声图像60对应的合成图像64，在不满足的情况下调整噪声图像61，进行下一次迭代过程。
118.本公开实施例生成的各合成图像基于各视觉模型迭代生成，承载各视觉模型的特性，使得各模型能够在无真实图像的情况下仍然可以通过模型蒸馏进行融合。
119.步骤s30、将各所述合成图像分别作为各所述视觉模型的输入进行模型蒸馏，得到目标视觉模型。
120.在一种可能的实现方式中，可以在各视觉模型中确定用于迁移其他视觉模型检测性能的第一视觉模型，并将除了第一视觉模型以外的其他模型作为第二视觉模型。再将各合成图像分别作为第一视觉模型和各第二视觉模型的输入进行模型蒸馏，得到目标视觉模型。其中，蒸馏过程可以为将各合成图像输入第一视觉模型得到第一检测结果，将各合成图像分别输入第二视觉模型得到第二检测结果，通过第二损失函数迭代训练所述第一视觉模型，得到目标视觉模型，第二损失函数根据第一检测结果和各第二检测结果确定。
121.可选地，第一检测结果和第二检测结果内容也根据视觉模型的输出确定，其中包括一种或多种数据。第二损失函数可以为第一检测结果和每个第二检测结果的l2范数和。也就是说，第二损失函数可以通过分别计算第一检测结果和各第二检测结果中相同数据的l2范数和确定。例如，当第一检测结果和第二检测结果中都包括检测框坐标时，计算第一检测结果中检测框坐标和各第二检测结果中检测框坐标的l2范数和，得到第二损失函数。或者，当第一检测结果和第二检测结果中都包括检测框坐标以及图像类型时，计算第一检测结果中检测框坐标和各第二检测结果中检测框坐标的l2范数和，以及第一检测结果中图像类型和各第二检测结果中图像类型的l2范数和，计算两个l2范数和的加权和得到第二损失函数。
122.进一步地，通过第二损失函数进行模型蒸馏的过程可以为通过梯度下降法调整第二损失函数，直到该第二损失函数的值满足预设条件时，得到目标视觉模型。
123.图7示出根据本公开实施例的模型蒸馏过程的示意图。如图7所示，在一个可能的实现方式中，将各合成图像70分别输入第一视觉模型71和各第二视觉模型72，第一视觉模型71检测输入的合成图像70后得到第一检测结果73，各第二视觉模型72检测输入的合成图像70后得到第二检测结果74。进一步地，通过第一检测结果73和各第二检测结果74运算得到第二损失函数75，通过迭代第二损失函数75的方式进行模型蒸馏，将各第二视觉模型72的模型特性融合至第一视觉模型71，得到具备全部视觉模型特性的目标视觉模型。
124.在本公开实施例的一种可选的实现方式中，为提高最终蒸馏结果的真实性，还可以通过各组模型参数的接收设备获取部分真实图像与合成图像一同构建训练集，进行模型蒸馏训练。也就是说，电子设备还可以获取多个电子设备中存储的真实图像，并且将各真实图像和各合成图像分别作为第一视觉模型和各第二视觉模型的输入进行模型蒸馏，得到目标视觉模型。
125.图8是根据示例性实施例示出的一种参数通信过程的示意图。如图8所示，在一种可能的实现方式中，通过第一电子设备81接收多个第二电子设备80发送的模型参数，以对各第二电子设备80中的视觉模型进行模型蒸馏，得到具备全部视觉模型特性的目标视觉模
型。进一步地，为提高各第二电子设备80中的视觉模型性能，第一电子设备81在处理得到目标视觉模型后，将目标视觉模型中的各目标模型参数返回各第二电子设备80，由第二电子设备80根据目标模型参数更新视觉模型。
126.图9是根据示例性实施例示出的另一种参数通信过程的示意图。如图9所示，在一种可能的实现方式中，可以响应于接收到模型更新请求，返回所述目标视觉模型的目标模型参数。
127.其中，通过第一电子设备91接收多个第二电子设备90发送的模型参数，以对各第二电子设备90中的视觉模型进行模型蒸馏，得到具备全部视觉模型特性的目标视觉模型。进一步地，当第二电子设备90需要更新其部署的视觉模型时，会向第一电子设备91发送模型更新请求，由第一电子设备91向发送模型更新请求的第二电子设备90返回目标视觉模型的各目标模型参数进行模型更新。
128.本公开实施例可以仅通过与多个电子设备进行一次模型参数的通信得到在各电子设备上训练得到的多个视觉模型。同时，在不接收各电子设备训练集的情况下通过各视觉模型本身生成合成图像，构建一个进行模型蒸馏的训练集，得到融合多个视觉模型特性的目标视觉模型。本公开实施例的训练方法能够通过模型蒸馏的方式融合多个视觉模型特性，且在融合模型特性的同时有效保护各电子设备的隐私。
129.可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
130.此外，本公开还提供了计算机视觉模型训练装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种计算机视觉模型训练方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
131.图10示出根据本公开实施例的计算机视觉模型训练装置的示意图，如图10所示，所述装置包括模型确定模块100、图像生成模块101和模型蒸馏模块102。
132.模型确定模块100，用于获取多个视觉模型；
133.图像生成模块101，用于分别根据各所述视觉模型生成多个合成图像；
134.模型蒸馏模块102，用于将各所述合成图像分别作为各所述视觉模型的输入进行模型蒸馏，得到目标视觉模型。
135.在一种可能的实现方式中，所述图像生成模块101包括：
136.图像初始化子模块，用于确定初始的多个噪声图像；
137.图像迭代子模块，用于将各初始的所述噪声图像分别输入各所述视觉模型中进行迭代更新，直至第一损失函数的值满足收敛条件，得到与各所述噪声图像对应的合成图像，
138.其中，所述第一损失函数的值根据第一损失、第二损失以及第三损失确定。
139.在一种可能的实现方式中，所述第一损失用于表征对应视觉模型在检测所述噪声图像过程中产生的损失；
140.所述第二损失用于表征所述噪声图像与真实图像相似程度；
141.所述第三损失用于表征所述噪声图像在对应视觉模型的各批处理层传递过程中产生的损失。
142.在一种可能的实现方式中，所述第一损失的确定过程包括：
143.确定初始的每个所述噪声图像对应的第一标注结果；
144.将各初始的所述噪声图像分别输入各所述视觉模型中，得到对应的第二标注结果；
145.根据每个所述噪声图像的第一标注结果和第二标注结果确定第一损失。
146.在一种可能的实现方式中，所述第二损失根据所述噪声图像中各像素值确定。
147.在一种可能的实现方式中，所述第三损失根据所述噪声图像输入对应视觉模型后，各批处理层输出的第一特征图，以及输入各所述批处理层的第二特征图确定。
148.在一种可能的实现方式中，所述模型蒸馏模块102包括：
149.模型选择子模块，用于在各所述视觉模型中确定用于迁移其他视觉模型检测性能的第一视觉模型，并将除了第一视觉模型以外的其他模型作为第二视觉模型；
150.模型蒸馏子模块，用于将各所述合成图像分别作为所述第一视觉模型和各所述第二视觉模型的输入进行模型蒸馏，得到目标视觉模型。
151.在一种可能的实现方式中，所述模型蒸馏子模块包括：
152.第一检测单元，用于将各所述合成图像输入第一视觉模型得到第一检测结果；
153.第二检测单元，用于将各所述合成图像分别输入第二视觉模型得到第二检测结果；
154.迭代训练单元，用于通过第二损失函数迭代训练所述第一视觉模型，得到目标视觉模型，所述第二损失函数根据所述第一检测结果和各所述第二检测结果确定。
155.在一种可能的实现方式中，所述装置还包括：
156.参数发送模块，用于响应于接收到模型更新请求，返回所述目标视觉模型的目标模型参数。
157.在一种可能的实现方式中，所述第二损失函数为所述第一检测结果和每个所述第二检测结果的l2范数和。
158.在一种可能的实现方式中，所述装置还包括：
159.真实图像获取模块，用于获取所述多个电子设备中存储的真实图像；
160.所述模型蒸馏子模块包括：
161.模型蒸馏单元，用于将各所述真实图像和各所述合成图像分别作为所述第一视觉模型和各所述第二视觉模型的输入进行模型蒸馏，得到目标视觉模型。
162.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
163.本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
164.本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
165.本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处
理器中运行时，所述电子设备中的处理器执行上述方法。
166.电子设备可以被提供为终端、服务器或其它形态的设备。
167.图11是根据示例性实施例示出的一种电子设备1100的框图。例如，电子设备1100可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
168.参照图11，电子设备1100可以包括以下一个或多个组件：处理组件1102，存储器1104，电源组件1106，多媒体组件1108，音频组件1110，输入/输出(i/o)的接口1112，传感器组件1114，以及通信组件1116。
169.处理组件1102通常控制电子设备1100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1102可以包括一个或多个处理器1120来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1102可以包括一个或多个模块，便于处理组件1102和其他组件之间的交互。例如，处理组件1102可以包括多媒体模块，以方便多媒体组件1108和处理组件1102之间的交互。
170.存储器1104被配置为存储各种类型的数据以支持在电子设备1100的操作。这些数据的示例包括用于在电子设备1100上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
171.电源组件1106为电子设备1100的各种组件提供电力。电源组件1106可以包括电源管理系统，一个或多个电源，及其他与为电子设备1100生成、管理和分配电力相关联的组件。
172.多媒体组件1108包括在所述电子设备1100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1108包括一个前置摄像头和/或后置摄像头。当电子设备1100处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
173.音频组件1110被配置为输出和/或输入音频信号。例如，音频组件1110包括一个麦克风(mic)，当电子设备1100处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1104或经由通信组件1116发送。在一些实施例中，音频组件1110还包括一个扬声器，用于输出音频信号。
174.i/o接口1112为处理组件1102和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
175.传感器组件1114包括一个或多个传感器，用于为电子设备1100提供各个方面的状态评估。例如，传感器组件1114可以检测到电子设备1100的打开/关闭状态，组件的相对定位，例如所述组件为电子设备1100的显示器和小键盘，传感器组件1114还可以检测电子设备1100或电子设备1100一个组件的位置改变，用户与电子设备1100接触的存在或不存在，电子设备1100方位或加速/减速和电子设备1100的温度变化。传感器组件1114可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1114还可以包括光传感器，如互补金属氧化物半导体(cmos)或电荷耦合装置(ccd)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1114还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
176.通信组件1116被配置为便于电子设备1100和其他设备之间有线或无线方式的通信。电子设备1100可以接入基于通信标准的无线网络，如无线网络(wifi)，第二代移动通信技术(2g)或第三代移动通信技术(3g)，或它们的组合。在一个示例性实施例中，通信组件1116经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1116还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
177.在示例性实施例中，电子设备1100可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
178.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1104，上述计算机程序指令可由电子设备1100的处理器1120执行以完成上述方法。
179.图12是根据示例性实施例示出的另一种电子设备的框图。例如，电子设备1200可以被提供为一服务器。参照图12，电子设备1200包括处理组件1222，其进一步包括一个或多个处理器，以及由存储器1232所代表的存储器资源，用于存储可由处理组件1222的执行的指令，例如应用程序。存储器1232中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1222被配置为执行指令，以执行上述方法。
180.电子设备1200还可以包括一个电源组件1226被配置为执行电子设备1200的电源管理，一个有线或无线网络接口1250被配置为将电子设备1200连接到网络，和一个输入输出(i/o)接口1258。电子设备1200可以操作基于存储在存储器1232的操作系统，例如微软服务器操作系统(windows server
tm
)，苹果公司推出的基于图形用户界面操作系统(mac os x
tm
)，多用户多进程的计算机操作系统(unix
tm
),自由和开放原代码的类unix操作系统(linux
tm
)，开放原代码的类unix操作系统(freebsd
tm
)或类似。
181.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1232，上述计算机程序指令可由电子设备1200的处理组件1222执行以完成上述方法。
182.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
183.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形
设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
184.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
185.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
186.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
187.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
188.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产
生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
189.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
190.该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
191.上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
192.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
193.若本技术技术方案涉及个人信息，应用本技术技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本技术技术方案涉及敏感个人信息，应用本技术技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
194.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。