买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：更亮数字科技(杭州)有限公司

摘要：本发明公开了一种基于人工智能的专注度识别方法及操作系统，所述方法包括：步骤1，将输入图像送入卷积神经网络模型的深度处理部分，通过一系列的操作，生成教师和学生的注意力激活图；步骤2，对教师和学生的注意力激活图进行二维离散余弦变换，将计算出的范数差异用于对比两个注意力激活图，以评估它们之间的相似性和差异性；步骤3，定义一个损失函数，使用传统的交叉熵损失结合知识提取损失来训练学生卷积神经网络模型；优化学生卷积神经网络模型的参数，使其在训练数据上的表现逐渐接近教师卷积神经网络模型的性能。本发明采用基于深度神经网络的方法识别学生专注度，可解决人数众多导致的小目标和遮挡目标提取问题，准确检测注意力分布。

主权项：1.一种基于人工智能的专注度识别方法，其特征在于，包括以下步骤：步骤1，构建教师和学生的注意力激活图：准备输入图像，同时构建教师和学生的卷积神经网络模型，将输入图像送入教师卷积神经网络模型的深度处理部分，通过一系列的操作，包括卷积、池化，生成教师的注意力激活图，学生卷积神经网络模型同样进行此处理，输出学生的注意力激活图；步骤2，对教师和学生的注意力激活图进行二维离散余弦变换，将计算出的范数差异用于对比两个注意力激活图，以评估它们之间的相似性和差异性；步骤3，对教师和学生的注意力激活图进行基于深度神经网络的知识提取：定义一个损失函数，该函数基于教师和学生卷积神经网络模型在注意力激活图上的差异，使用传统的交叉熵损失结合知识提取损失来训练学生卷积神经网络模型；优化学生卷积神经网络模型的参数，使其在训练数据上的表现逐渐接近教师卷积神经网络模型的性能；所述步骤1包括：步骤11，准备输入图像和网络模型：选择适当的输入图像，输入图像为其中，W和H是空间维度；分别构建教师和学生的卷积神经网络模型，确保它们具有相似的架构但不同的参数，教师卷积神经网络为学生卷积神经网络为步骤12，深度处理与特征提取：将输入图像送入教师卷积神经网络模型的深度处理部分，通过一系列卷积、池化的操作，生成特征图；学生卷积神经网络模型同样进行此处理，但输出不同的特征图；所述步骤12用公式表示为：其中，W和H是空间维度，深度为l，Ct和Cs是教师和学生特征的通道维度；步骤13，定义信息映射函数：根据特征图，定义一个函数，使能够将特征图转化为激活映射；所述步骤13中，对于教师卷积神经网络，信息映射函数可以表示为步骤14，计算神经元专注程度指标：根据激活映射，为每个神经元计算均方激活值，用于反映神经元对输入图像的专注程度；所述步骤14中，定义计算神经元的均方激活值；步骤15，对激活映射进行归一化处理：对激活映射进行归一化处理，确保激活值在0-1之间；所述步骤2包括：对教师的注意力激活图分别进行二维离散余弦变换，得到一系列的系数Dt,l＝{Dx,y,0≤x,yW,H}；将二维离散余弦变换得到的教师特征图系数与学生特征图系数进行比较，通过计算归一化后系数的l2范数差异来度量两个激活图的相似度，用公式表示为： 根据计算的差异，得到采用二维离散余弦变换对比后的2D激活图结果；所述步骤3包括：步骤31，定义知识提取损失函数：基于教师和学生卷积神经网络模型在注意力激活图上的差异，定义一个损失函数，用于确保只有当教师卷积神经网络模型的预测是正确时，学生卷积神经网络模型才会从中学习；所述损失函数通过累加沿L个探测通道的二维离散余弦变换差值来计算，用于衡量教师模型和学生模型在激活图上的差异，用公式表示为： 步骤32，训练学生模型：使用传统的交叉熵损失结合知识提取损失来训练学生卷积神经网络模型，形成总损失函数L＝αLDCT+βLCE，其中α和β为加权参数，用于平衡两个损失项的贡献，LCE是规则的交叉熵损失；步骤33，优化模型参数，使总损失最小化：通过反向传播和梯度下降的方法，不断优化学生卷积神经网络模型的参数，使其在训练数据上的表现越来越好，同时逐渐接近教师卷积神经网络模型的性能；步骤34，得到基于深度神经网络的知识提取结果：完成训练后，学生卷积神经网络模型将具备与教师卷积神经网络模型相似的处理方式，知识从教师向学生转移。

全文数据：

权利要求：

百度查询： 更亮数字科技(杭州)有限公司 一种基于人工智能的专注度识别方法及操作系统