CN114708645B 物件辨识装置及物件辨识方法 （纬创资通股份有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114708645B(45)授权公告日2025.07.08

(21)申请号202110087912.7

(22)申请日2021.01.22

(65)同一申请的已公布的文献号申请公布号CN114708645A

(43)申请公布日2022.07.05

(30)优先权数据

1091446402020.12.17TW

(73)专利权人纬创资通股份有限公司地址中国台湾新北市

(72)发明人黄国伦

(74)专利代理机构北京三友知识产权代理有限公司11127

专利代理师许曼贾磊

(51)Int.CI.

GO6V10/774(2022.01)

GO6V10/82(2022.01)

GO6N3/096(2023.01)

GO6N3/045(2023.01)

GO6N3/0475(2023.01)

GO6N3/094(2023.01)

GO6N3/0464(2023.01)

(56)对比文件

CN110837846A,2020.02.25

CN110147456A,2019.08.20

CN110895671A,2020.03.20

审查员朱佳利

权利要求书2页说明书9页附图5页

(54)发明名称

物件辨识装置及物件辨识方法

(57)摘要

CN114708645B本文提供了一种物件辨识装置及物件辨识方法，其中物件辨识方法包含，学生模型依据老师模型以调整复数个参数，当调整后的学生模型的输出结果与老师模型的输出结果之间的向量差值小于一学习门槛值，则视为学生模型完成训练，提取学生模型作为一物件辨识模型。其中学生模型所需的空间小于老师模型。藉此可以有效

CN114708645B

300

产生一追踪样本及一对抗样本

产生一追踪样本及一对抗样本

在初始时，先以追踪样本训练出初版的一老师模型，此时老师模型对于数据的认知偏向追踪样本形态

学生模型训练模组依据老师模型初始化一学生模型

学生模型依据老师模型以及对抗样本调整复数个参

数，响应于调整后的学生模型的一学生张量与老师

模型的一老师张量之间的向量差值小于一学习门槛

值，则视为学生模型完成训练，提取学生模型作为

一物件辨识模型

310

320

330

340

CN114708645B权利要求书1/2页

2

1.一种物件辨识装置，其特征在于，包含：

一处理器；以及

一储存装置，所述处理器用以存取所述储存装置所储存的程序，以实现一前处理模组、一老师模型训练模组以及一学生模型训练模组；其中

所述前处理模组，用以产生一追踪样本及一对抗样本；其包括：依据一光流演算法以追踪每个画面中的一框选物件，以产生追踪样本DA;将追踪样本DA输入一生成式对抗网络或是一对抗产生对抗样本法，生成式对抗网络或是对抗产生对抗样本法输出对抗样本DB;

所述老师模型训练模组，以所述追踪样本训练出一老师模型；以及

所述学生模型训练模组，依据所述老师模型初始化一学生模型；

其中所述学生模型依据所述老师模型以及所述对抗样本调整所述学生模型的复数个参数，响应于所述学生模型的输出结果与所述老师模型的输出结果之间的向量差值小于一学习门槛值，则视为所述学生模型完成训练，提取所述学生模型作为一物件辨识模型；

前处理模组用以接收一人工标记样本，响应于学生模型的所述输出结果与老师模型的所述输出结果之间的向量差值小于所述学习门槛值时，老师模型训练模组将人工标记样本输入老师模型进行训练，以产生一进修老师模型；

老师模型训练模组将所述人工标记样本输入所述进修老师模型；

学生模型训练模组将学生模型依据进修老师模型调整复数个参数，响应于学生模型的所述输出结果与进修老师模型的输出结果之间的向量差值小于学习门槛值，则视为学生模型完成训练，提取学生模型作为所述物件辨识模型。

2.根据权利要求1所述的物件辨识装置，其特征在于，所述学生模型设置的深度学习模型的卷积层数及神经元数量小于所述老师模型的卷积层数及神经元数量，且所述学生模型的卷积层数及神经元数量对应的权重参数数量也小于所述老师模型的卷积层数及神经元数量对应的