一种计算机视觉能力迁移方法、装置、设备及存储介质与流程

1.本发明涉及神经网络技术领域，特别涉及一种计算机视觉能力迁移方法、装置、设备及存储介质。


背景技术：

2.在人工智能时代，随着计算机视觉技术的发展，研发人员越来越倾向于使用摄像头、相机和海量数据去训练一个优秀的关键点检测匹配模型。基于高清晰度rgb相机训练出来的模型在处理实际业务的过程中，往往有着令人满意的表现。但受制于相机本身性质的影响，这些在光照条件下表现优异的模型可能在低光照或者无光照条件下变得低效甚至失效。同时，随着计算机视觉的应用场景的增多，一款能够适应各种天气、光线、环境的摄像头逐渐进入大众视野，也即是，事件相机。
3.事件相机作为一款高帧率相机，其工作方法是判断像素点的光强是否发生变化。当光强发生变化，并且达到阈值，则会被判定为事件。不同于传统rgb相机通过曝光获得图像，事件相机生成图片依靠光强变化，因此在昏暗条件下，事件相机获取关键点的能力要远远优于普通rgb相机。
4.综上，如何利用在夜间或光线较暗环境下性能更加优秀的事件相机，进行关键点检测匹配，是目前有待解决的问题。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种计算机视觉能力迁移方法、装置、设备及存储介质，能够解决关键点检测匹配模型应用在传统rgb相机时，夜间性能不良的问题。其具体方案如下：
6.第一方面，本技术公开了一种计算机视觉能力迁移方法，包括：
7.分别利用rgb图片集对rgb相机模型和事件图片集对事件相机模型进行同步训练，以得到各自对应的特征值；其中，所述rgb图片集为利用rgb相机采集得到的图片集；所述事件图片集为利用事件相机采集得到的图片集；
8.对所述特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一传递参数和与所述事件相机模型对应的第二传递参数；
9.基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，以通过知识蒸馏进行反向传播获得目标事件相机模型。
10.可选的，所述分别利用rgb图片集对rgb相机模型和事件图片集对事件相机模型进行同步训练，以得到各自对应的特征值，包括：
11.获取rgb图片集和事件图片集，并按照预设比例分别对所述rgb图片集和所述事件图片集进行分配，以得到相应数量的训练数据和测试数据；
12.将与所述rgb图片集对应的训练数据输入到所述rgb相机模型，以得到第一特征值；
13.将与所述事件图片集对应的训练数据输入到所述事件相机模型，以得到第二特征值。
14.可选的，所述基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，以通过知识蒸馏进行反向传播获得目标事件相机模型之后，还包括：
15.将与所述rgb图片集对应的测试数据输入到所述rgb相机模型，以得到第一测试结果；
16.将与所述事件图片集对应的测试数据输入到所述目标事件相机模型，以得到第二测试结果；
17.将所述第一测试结果与所述第二测试结果进行对比，以评估所述目标事件相机模型。
18.可选的，所述对所述特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一传递参数和与所述事件相机模型对应的第二传递参数，包括：
19.对所述第一特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一logits和第一描述子；
20.对所述第二特征值进行矩阵运算，以得到与所述事件相机模型对应的第二logits和第二描述子。
21.可选的，所述基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，包括：
22.基于所述第一logits和所述第二logits，利用l2损失值函数确定出目标logits损失值；
23.基于所述第一描述子和所述第二描述子，利用所述l2损失值函数确定出目标描述子损失值；
24.基于所述目标logits损失值与所述目标描述子损失值，利用预设损失值确定公式确定出总损失值。
25.可选的，所述基于所述目标logits损失值与所述目标描述子损失值，利用预设损失值确定公式确定出总损失值，包括：
26.将预设权重值和所述目标描述子损失值的乘积与所述目标logits损失值进行求和，以确定出总损失值。
27.可选的，所述基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，以通过知识蒸馏进行反向传播获得目标事件相机模型之后，还包括：
28.利用梯度下降学习算法对进行反向传播获得的所述目标事件相机模型进行更新。
29.第二方面，本技术公开了一种计算机视觉能力迁移装置，包括：
30.模型训练模块，用于分别利用rgb图片集对rgb相机模型和事件图片集对事件相机模型进行同步训练，以得到各自对应的特征值；其中，所述rgb图片集为利用rgb相机采集得到的图片集；所述事件图片集为利用事件相机采集得到的图片集；
31.传递参数确定模块，用于对所述特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一传递参数和与所述事件相机模型对应的第二传递参数；
32.知识蒸馏模块，用于基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，以通过知识蒸馏进行反向传播获得目标事件相机模型。
33.第三方面，本技术公开了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如前所述的计算机视觉能力迁移方法。
34.第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如前所述的计算机视觉能力迁移方法。
35.本发明所提供的计算机视觉能力迁移方法，分别利用rgb图片集对rgb相机模型和事件图片集对事件相机模型进行同步训练，以得到各自对应的特征值；其中，所述rgb图片集为利用rgb相机采集得到的图片集；所述事件图片集为利用事件相机采集得到的图片集；对所述特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一传递参数和与所述事件相机模型对应的第二传递参数；基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，以通过知识蒸馏进行反向传播获得目标事件相机模型。可见，利用表现形式上存在差异，但描述相同画面的图片集分别训练两个模型，将应用于rgb相机模型上进行的关键点检测匹配作为教师网络，训练并获得应用于事件相机模型上进行的关键点检测匹配的学生模型，使得学生模型在事件相机的环境中获得同样的关键点检测与匹配能力。也即是，通过知识蒸馏的方法，解决传统rgb相机在夜间或光线较暗环境下关键点检测模型性能较差的问题。并且，在知识蒸馏的过程中，不同于传统的关键点检测，本技术利用简单的矩阵运算获得知识蒸馏的中间传递参数，然后利用预设损失值确定公式确定出总损失值，实现将关键点检测匹配的能力转移到时间相机上。另外由于事件相机的本身特性，在昏暗条件下学生模型对于关键点的检测和匹配能力会优于原模型。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
37.图1为本技术公开的一种计算机视觉能力迁移方法流程图；
38.图2为本技术公开的一种计算机视觉能力迁移方法中特征提取示意图；
39.图3为本技术公开的一种计算机视觉能力迁移方法中知识蒸馏示意图；
40.图4为本技术公开的一种具体的计算机视觉能力迁移方法流程图；
41.图5为本技术公开的一种针对rgb相机模型的事件相机模型整体示意图；
42.图6为本技术公开的一种计算机视觉能力迁移装置结构示意图；
43.图7为本技术公开的一种电子设备结构图。
具体实施方式
44.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.当前，随着计算机视觉技术的发展，利用rgb相机进行关键点检测匹配时，受制于
相机本身性质的影响，这些在光照条件下表现优异的模型可能在低光照或者无光照条件下变得低效甚至失效。
46.为此，本技术提供了一种计算机视觉能力迁移方案，能够利用在夜间或光线较暗环境下性能更加优秀的事件相机，进行关键点检测匹配。
47.本发明实施例公开了一种计算机视觉能力迁移方法，参见图1所示，该方法包括：
48.步骤s11：分别利用rgb图片集对rgb相机模型和事件图片集对事件相机模型进行同步训练，以得到各自对应的特征值；其中，所述rgb图片集为利用rgb相机采集得到的图片集；所述事件图片集为利用事件相机采集得到的图片集。
49.本技术实施例中，基于事件相机的特性，为了使事件相机获得rgb相机的关键点检测能力，首先获取不同的图片集，也即，rgb图片集和事件图片集，两个图片集描述相同的画面，即描述内容相同，只是表现形式上存在差异，即格式不同。将rgb图片集输入rgb相机模型中，将事件图片集输入事件相机模型中，分别进行同步训练。
50.本技术实施例中，在进行模型训练的过程中，将收集的图片集按照预设比例进行分配，一般按照8:2的比例分为训练数据和测试数据。在进行模型训练时，模型中的特征提取模块会提取数据中的关键信息特征得到对应的特征值。也即，rgb相机模型得到对应的第一特征值，事件相机得到对应的第二特征值。
51.具体的，获取rgb图片集和事件图片集，并按照预设比例分别对所述rgb图片集和所述事件图片集进行分配，以得到相应数量的训练数据和测试数据；将与所述rgb图片集对应的训练数据输入到所述rgb相机模型，以得到第一特征值；将与所述事件图片集对应的训练数据输入到所述事件相机模型，以得到第二特征值。
52.可以理解的是，由于目前的基于rgb相机关键点检测匹配模型已经成熟，因此在进行计算机视觉能力迁移时，将rgb相机模型作为教师网络，将事件相机模型作为学生网络，以此实现计算机视觉能力的迁移。
53.步骤s12：对所述特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一传递参数和与所述事件相机模型对应的第二传递参数。
54.本技术实施例中，两个网络模型产生各自的特征值。传统的关键点检测模型如图2中的水平流程所示，对特征值进行逻辑回归和图形缩放操作之后直接获得关键点或描述子。但本发明对提取到的特征值做简单的矩阵运算之后，作为知识蒸馏的中间传递参数，得到与所述rgb相机模型对应的第一传递参数和与所述事件相机模型对应的第二传递参数。
55.本技术实施例中，选择使用logits分对数和未加工描述子作为蒸馏学习的特征值，对经过卷积神经网络后得到的中间特征值，也即第一特征值和第二特征值做矩阵运算，得到相应的与所述rgb相机模型对应的第一logits和第一描述子和与所述事件相机模型对应的第二logits和第二描述子作为中间传递参数。
56.步骤s13：基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，以通过知识蒸馏进行反向传播获得目标事件相机模型。
57.本技术实施例中，rgb相机模型对应第一传递参数，事件相机模型对应第二传递参数；也即，教师网络对应第一logits和第一描述子，学生网络对应第二logits和第二描述子。对第一logits和第二logits利用l2损失值函数确定出目标logits损失值；对第一描述子和第二描述子利用所述l2损失值函数确定出目标描述子损失值。然后，基于所述目标
logits损失值与所述目标描述子损失值，利用预设损失值确定公式确定出总损失值。
58.本技术实施例中，利用的预设损失值确定公式为总损失值＝目标logits损失值+预设权重*目标描述子损失值。也即，将预设权重值和所述目标描述子损失值的乘积与所述目标logits损失值进行求和，以确定出总损失值。其中，预设权重为根据实际经验与模型匹配确定出的权重值，可以任意调整。
59.本技术实施例中，根据教师网络和学生网络的中间传递参数进行损失值计算后，采取合适的梯度下降模式，对事件相机模型的卷积层进行反向传播处理。也即是，通过知识蒸馏的方法，将应用于rgb相机模型上的关键点检测匹配作为老师网络，训练并获得应用于事件相机模型的学生网络，解决关键点检测匹配模型应用在传统rgb相机时，夜间性能不良的问题。
60.另外，前述步骤中得到的测试数据是用于评估最终模型的，因此在训练得到目标事件模型后，利用前述步骤中得到的测试数据评估目标事件相机模型。具体的，将与所述rgb图片集对应的测试数据输入到所述rgb相机模型，以得到第一测试结果；将与所述事件图片集对应的测试数据输入到所述目标事件相机模型，以得到第二测试结果；将所述第一测试结果与所述第二测试结果进行对比，以评估所述目标事件相机模型。
61.需要指出的是，现有技术中基于卷积神经网络模型的知识蒸馏是为了使得学生网络的输出预测值更接近于真实值，而本技术中的学生网络的输出预测值是为了更接近教师网络。如此一来，目标事件相机模型可以实现rgb相机模型的关键点检测能力。
62.如图3所示为整体的知识蒸馏能力迁移的过程设计以及思想，在知识蒸馏过程中，不同于与真实值做损失函数，本技术实施例中将logits和描述子选择为中间传递参数，分别用l2损失值函数计算出学生网络和教师网络的目标logits损失值和目标描述子损失值，然后利用总损失值＝目标logits损失值+预设权重*目标描述子损失值计算总损失值。
63.本发明所提供的计算机视觉能力迁移方法，分别利用rgb图片集对rgb相机模型和事件图片集对事件相机模型进行同步训练，以得到各自对应的特征值；其中，所述rgb图片集为利用rgb相机采集得到的图片集；所述事件图片集为利用事件相机采集得到的图片集；对所述特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一传递参数和与所述事件相机模型对应的第二传递参数；基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，以通过知识蒸馏进行反向传播获得目标事件相机模型。可见，利用表现形式上存在差异，但描述相同画面的图片集分别训练两个模型，将应用于rgb相机模型上进行的关键点检测匹配作为教师网络，训练并获得应用于事件相机模型上进行的关键点检测匹配的学生模型，使得学生模型在事件相机的环境中获得同样的关键点检测与匹配能力。也即是，通过知识蒸馏的方法，解决传统rgb相机在夜间或光线较暗环境下关键点检测模型性能较差的问题。并且，在知识蒸馏的过程中，不同于传统的关键点检测，本技术利用简单的矩阵运算获得知识蒸馏的中间传递参数，然后利用预设损失值确定公式确定出总损失值，实现将关键点检测匹配的能力转移到时间相机上。另外由于事件相机的本身特性，在昏暗条件下学生模型对于关键点的检测和匹配能力会优于原模型。
64.本技术实施例公开了一种具体的计算机视觉能力迁移方法，参见图4所示，该方法包括：
65.步骤s21：获取rgb图片集和事件图片集，并按照预设比例分别对所述rgb图片集和
所述事件图片集进行分配，以得到相应数量的训练数据和测试数据。
66.本技术实施例中，在数据集中分为rgb图片集和事件图片集，将数据集分为训练数据和测试数据，一般按8：2比例分配。其中，所述rgb图片集为利用rgb相机采集得到的图片集；所述事件图片集为利用事件相机采集得到的图片集。
67.步骤s22：将与所述rgb图片集对应的训练数据输入到所述rgb相机模型，以得到第一特征值；将与所述事件图片集对应的训练数据输入到所述事件相机模型，以得到第二特征值。
68.本技术实施例中，rgb相机模型使用rgb图片集，事件相机模型使用事件图片集。两个图片集描述相同的画面，只是表现形式上存在差异。两个网络模型产生各自的特征值，rgb相机模型产生第一特征值，事件相机模型产生第二特征值。
69.步骤s23：对所述第一特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一logits和第一描述子；对所述第二特征值进行矩阵运算，以得到与所述事件相机模型对应的第二logits和第二描述子。
70.不同于传统的对特征值进行逻辑回归和图形缩放操作之后直接获得关键点或描述子，本发明对提取到的特征值做简单的矩阵运算，本实施例中可以为将矩阵进行转置，转置后得到知识蒸馏的中间传递参数。本技术实施例中，选择使用logits分对数和未加工描述子作为蒸馏学习的特征值，进而做矩阵运算后得到中间传递参数：第一logits和第一描述子、第二logits和第二描述子。
71.步骤s24：基于所述第一logits和所述第二logits，利用l2损失值函数确定出目标logits损失值；基于所述第一描述子和所述第二描述子，利用所述l2损失值函数确定出目标描述子损失值。
72.本技术实施例中，在得到知识蒸馏的中间传递参数后，分别对第一logits和第二logits、第一描述子和第二描述子利用l2损失值函数确定出目标logits损失值和目标描述子损失值。
73.步骤s25：基于所述目标logits损失值与所述目标描述子损失值，利用预设损失值确定公式确定出总损失值。
74.本技术实施例中，利用的预设损失值确定公式为总损失值＝目标logits损失值+预设权重*目标描述子损失值。也即，将预设权重值和所述目标描述子损失值的乘积与所述目标logits损失值进行求和，以确定出总损失值。其中，预设权重为根据实际经验与模型匹配确定出的权重值，可以任意调整。
75.进一步的，在得到处理之后的总损失值，采取合适的梯度下降模式，对事件相机模型的卷积层进行反向传播处理。如此一来，将rgb相机模型检测匹配关键点的能力，通过知识蒸馏的方法转移到事件相机模型中，并应用到事件相机上，进行基于事件相机的关键点检测匹配任务。
76.步骤s26：将与所述rgb图片集对应的测试数据输入到所述rgb相机模型，以得到第一测试结果；将与所述事件图片集对应的测试数据输入到所述目标事件相机模型，以得到第二测试结果；将所述第一测试结果与所述第二测试结果进行对比，以评估所述目标事件相机模型。
77.本技术实施例中，训练数据用于训练模型，测试数据用于评估最终模型。因此，所
述基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，以通过知识蒸馏进行反向传播获得目标事件相机模型之后，还包括：将与所述rgb图片集对应的测试数据输入到所述rgb相机模型，以得到第一测试结果；将与所述事件图片集对应的测试数据输入到所述目标事件相机模型，以得到第二测试结果；将所述第一测试结果与所述第二测试结果进行对比，以评估所述目标事件相机模型。
78.需要指出的是，现有技术中基于卷积神经网络模型的知识蒸馏是为了使得学生网络的输出预测值更接近于真实值，而本技术中的学生网络的输出预测值是为了更接近教师网络。如此一来，目标事件相机模型可以实现rgb相机模型的关键点检测能力。
79.如图5所示为针对rgb相机模型的知识蒸馏事件相机模型整体框图。所需组件包括数据集模块、特征提取模块、训练模型模块(知识蒸馏模块)；在数据集模块中，原rgb相机模型使用rgb图片集，知识蒸馏事件相机模型使用事件图片集；训练模型模块是对数据进行训练建立算法模型；特征提取模块选择使用logits分对数和描述子作为蒸馏学习的特征值，并经过简单的矩阵运算得到中间传递参数进行总损失值计算，之后将原rgb相机模型检测匹配关键点的能力通过知识蒸馏的方法转移到事件相机模型中，并应用到事件相机上，进行基于事件相机的关键点检测匹配任务。
80.本发明所提供的计算机视觉能力迁移方法，获取rgb图片集和事件图片集，并按照预设比例分别对所述rgb图片集和所述事件图片集进行分配，以得到相应数量的训练数据和测试数据；将与所述rgb图片集对应的训练数据输入到所述rgb相机模型，以得到第一特征值；将与所述事件图片集对应的训练数据输入到所述事件相机模型，以得到第二特征值；对所述第一特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一logits和第一描述子；对所述第二特征值进行矩阵运算，以得到与所述事件相机模型对应的第二logits和第二描述子；基于所述第一logits和所述第二logits，利用l2损失值函数确定出目标logits损失值；基于所述第一描述子和所述第二描述子，利用所述l2损失值函数确定出目标描述子损失值；基于所述目标logits损失值与所述目标描述子损失值，利用预设损失值确定公式确定出总损失值；将与所述rgb图片集对应的测试数据输入到所述rgb相机模型，以得到第一测试结果；将与所述事件图片集对应的测试数据输入到所述目标事件相机模型，以得到第二测试结果；将所述第一测试结果与所述第二测试结果进行对比，以评估所述目标事件相机模型。可见，利用表现形式上存在差异，但描述相同画面的图片集分别训练两个模型，将应用于rgb相机模型上进行的关键点检测匹配作为教师网络，训练并获得应用于事件相机模型上进行的关键点检测匹配的学生模型，使得学生模型在事件相机的环境中获得同样的关键点检测与匹配能力。也即是，通过知识蒸馏的方法，解决传统rgb相机在夜间或光线较暗环境下关键点检测模型性能较差的问题。并且，在知识蒸馏的过程中，不同于传统的关键点检测，本技术利用简单的矩阵运算获得知识蒸馏的中间传递参数，然后利用预设损失值确定公式确定出总损失值，实现将关键点检测匹配的能力转移到时间相机上。另外由于事件相机的本身特性，在昏暗条件下学生模型对于关键点的检测和匹配能力会优于原模型。
81.相应的，本技术实施例还公开了一种计算机视觉能力迁移装置，参见图6所示，该装置包括：
82.模型训练模块11，用于分别利用rgb图片集对rgb相机模型和事件图片集对事件相
机模型进行同步训练，以得到各自对应的特征值；其中，所述rgb图片集为利用rgb相机采集得到的图片集；所述事件图片集为利用事件相机采集得到的图片集；
83.传递参数确定模块12，用于对所述特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一传递参数和与所述事件相机模型对应的第二传递参数；
84.知识蒸馏模块13，用于基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，以通过知识蒸馏进行反向传播获得目标事件相机模型。
85.其中，关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
86.由此可见，通过本实施例的上述方案，分别利用rgb图片集对rgb相机模型和事件图片集对事件相机模型进行同步训练，以得到各自对应的特征值；其中，所述rgb图片集为利用rgb相机采集得到的图片集；所述事件图片集为利用事件相机采集得到的图片集；对所述特征值进行矩阵运算，以得到与所述rgb相机模型对应的第一传递参数和与所述事件相机模型对应的第二传递参数；基于所述第一传递参数与所述第二传递参数，利用预设损失值确定公式确定出总损失值，以通过知识蒸馏进行反向传播获得目标事件相机模型。可见，利用表现形式上存在差异，但描述相同画面的图片集分别训练两个模型，将应用于rgb相机模型上进行的关键点检测匹配作为教师网络，训练并获得应用于事件相机模型上进行的关键点检测匹配的学生模型，使得学生模型在事件相机的环境中获得同样的关键点检测与匹配能力。也即是，通过知识蒸馏的方法，解决传统rgb相机在夜间或光线较暗环境下关键点检测模型性能较差的问题。并且，在知识蒸馏的过程中，不同于传统的关键点检测，本技术利用简单的矩阵运算获得知识蒸馏的中间传递参数，然后利用预设损失值确定公式确定出总损失值，实现将关键点检测匹配的能力转移到时间相机上。另外由于事件相机的本身特性，在昏暗条件下学生模型对于关键点的检测和匹配能力会优于原模型。
87.进一步的，本技术实施例还公开了一种电子设备，图7是根据一示例性实施例示出的电子设备20结构图，图中内容不能认为是对本技术的使用范围的任何限制。
88.图7为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的计算机视觉能力迁移方法中的相关步骤。另外，本实施例中的电子设备20具体可以为计算机。
89.本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
90.另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222及数据223等，数据223可以包括各种各样的数据。存储方式可以是短暂存储或者永久存储。
91.其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于
完成前述任一实施例公开的由电子设备20执行的计算机视觉能力迁移方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
92.进一步的，本技术实施例还公开了一种计算机可读存储介质，这里所说的计算机可读存储介质包括随机存取存储器(random access memory，ram)、内存、只读存储器(read-only memory，rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、磁碟或者光盘或技术领域内所公知的任意其他形式的存储介质。其中，所述计算机程序被处理器执行时实现前述计算机视觉能力迁移方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
93.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
94.结合本文中所公开的实施例描述的计算机视觉能力迁移或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
95.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
96.以上对本发明所提供的一种计算机视觉能力迁移方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。