[发明专利]一种损失函数获取方法、计算机可读存储介质及电子设备

说明书

本发明涉及车辆环境感知技术领域，提供了一种损失函数获取方法，包括：S1、获取目标框参数的预测值，输入构建的损失函数模型，损失函数模型为：S2、基于目标框参数的预测值与期望值的接近程度来调节损失函数模型中的损失函数系数A及损失函数幂指数α；S3、损失函数模型输出参数预测值对应的损失函数；z表示目标框参数的预测值，表示目标框参数的期望值。本发明主要通过采用简单快速的绝对值幂指数的式定义深度学习的损失函数，并根据学习过程中的期望模型与实际模型的差值，动态定义损失函数的相关幂指数和系数，加快深度学习的收敛速度，以及提高收敛精度，并有效防止模型的过拟合学习和梯度消失现象。

技术领域

本发明涉及到车辆环境感知技术领域，提供了一种损失函数获取方法、计算机可读存储介质及电子设备。

背景技术

随着汽车技术的发展，对于汽车安全性的追求和环境的保护，智能汽车的研究近些年逐渐受到广泛的关注，作为智能汽车研究的高级目标，智能汽车自动驾驶技术可以将驾驶员从繁杂的操作中解放出来，降低因人为原因造成的交通事故发生率，对于智能汽车自动驾驶技术可分为环境感知技术、路径规划与决策技术以及运动控制技术，其中对外部环境的准确、实时感知是智能汽车实现高精度定位、路径规划、决策和运动控制的关键技术。单目摄像头由于具备结构简单和成本低等优点而被广泛使用。由于传统单目视觉环境感知算法主要依靠先验知识来设计模型，因此这类算法的泛化能力不强。而基于深度学习的单目视觉环境感知算法生成的模型却可以适用于多类目标，泛化能力得到显著提升，损失函数是影响深度学习模型实时性和准确性的重要的技术，通过对预测样本和真实样本标记产生的误差反向传播指导网络参数学习，简洁合理的损失函数能极大的提升深度学习的算法效率

相关技术中，采用均方误差(MSE)损失函数、交叉熵损失函数(cross entropy)、合页损失函数(hinge loss)和平滑L1损失函数等，均方误差(MSE)损失函数易受到样本中大的值的影响且在误差较小时收敛速度慢，从而降低算法学习的准确性，合页损失函数的设计对噪声非常敏感，从而降低模型的泛化能力，平滑L1损失函数在目标检测中计算目标框重叠度(IOU)时很难有效利用损失函数值来分类，因此很有必要基于深度学习算法架构提出新的损失函数形式，有效解决传统损失函数存在的收敛速度慢、稳态精度低等问题，提高深度学习的效率。

发明内容

本发明提供了一种损失函数获取方法，旨在改善上述问题。

本发明是这样是实现的，一种损失函数获取方法，所述损失函数用于深度学习，所述方法包括：

S1、获取目标框参数的预测值，输入构建的损失函数模型，损失函数模型为：

S2、基于目标框参数的预测值与期望值的接近程度来调节损失函数模型中的损失函数系数A及损失函数幂指数α；

S3、损失函数模型输出参数预测值对应的损失函数；

Z_loss表示损失函数，z表示目标框参数的预测值，表示目标框参数的期望值，A是损失函数系数，α是损失函数幂指数。

进一步的，损失函数系数A及损失函数幂指数α的调节方法具体如下：

当e≥10时，A＝1，α＝1；

当1≤e＜10时，α＝2；

当0.1≤e＜1时，A＝2，

当e＜0.1时，A＝3，

进一步的，目标框参数为目标检测中目标框的中心坐标和大小值及目标框的属性。

进一步的，当目标框参数为目标框中心坐标和大小时，所述损失函数模型为：