[发明专利]神经网络训练的方法、电子设备及计算机存储介质

权利要求书

1.一种神经网络训练的方法，其特征在于，包括如下步骤：

获取预设的训练样本图；

获取预测特征图；

基于预设的边界感知深度损失函数，以所述预设的训练样本图为输入，所述预测特征图为输出，训练神经网络模型，得到训练后的所述神经网络模型。

2.根据权利要求1所述的神经网络训练的方法，其特征在于，所述基于预设的边界感知深度损失函数，以所述预设的训练样本图为输入，所述预测特征图为输出，训练神经网络模型，得到训练后的所述神经网络模型，包括：

将所述预设的训练样本图输入到神经网络模型进行特征提取，得到多个尺度特征图；

将所述尺度特征图进行卷积压缩，得到多个第一中间特征图；

将每一所述第一中间特征图进行连接并融合，得到全局特征图；

将所述全局特征图上采样到预设尺度并进行卷积压缩，得到第二中间特征图；

将所述第二中间特征图进行池化缩小，得到第三中间特征图；

将所述第三中间特征图进行卷积压缩并激活，得到第四中间特征图；

将所述第四中间特征图进行反卷积恢复并激活，得到映射特征图；

将所述映射特征图与所述第二中间特征图进行乘积并进行反卷积恢复，以输出得到所述预测特征图；

根据所述预测特征图对应的输出值和预设的边界感知深度损失函数，计算得到损失函数值；

根据所述损失函数值与预设目标值调整所述神经网络模型的权重，对所述神经网络模型进行训练，直至所述损失函数值满足停止训练条件。

3.根据权利要求1或2所述的神经网络训练的方法，其特征在于，所述边界感知深度损失函数的计算公式为：

其中，ω是边界感知权重，d是真实深度，是预测深度，α是感知因子。

4.根据权利要求3所述的神经网络训练的方法，其特征在于，所述边界感知权重的计算公式为：

其中，g_x是在真实深度图上的x尺度的梯度，g_y是真实深度图上的y尺度的梯度，是预测深度图上的x尺度的梯度，是预测深度图上y尺度的梯度，N是像素的总数；是真实项，是误差项。

5.根据权利要求2所述的神经网络训练的方法，其特征在于，所述将所述尺度特征图进行卷积压缩，得到多个第一中间特征图，包括：

采用具有至少一个卷积核的第一卷积层对每一所述尺度特征图均进行卷积压缩，得到多个低尺寸特征图；

将每一所述低尺寸特征图采样到相同的分辨率，得到多个所述第一中间特征图。

6.根据权利要求2所述的神经网络训练的方法，其特征在于，所述将每一所述第一中间特征图进行连接并融合，得到全局特征图，包括：

采用融合层将每一所述第一中间特征图进行连接并融合，得到所述全局特征图；其中所述融合层包括两个大小不同的卷积核。

7.根据权利要求2所述的神经网络训练的方法，其特征在于，所述将所述第二中间特征图进行池化缩小，得到第三中间特征图，包括：

通过平均池化层将所述第二中间特征图进行池化缩小，得到所述第三中间特征图。

8.根据权利要求2所述的神经网络训练的方法，其特征在于，所述将所述第三中间特征图进行卷积压缩并激活，得到第四中间特征图，包括：

采用第二卷积层对所述第三中间特征图进行卷积压缩并采用relu函数进行非线性激活，得到第四中间特征图；其中，所述第二卷积层对应的卷积核大小为1。

9.一种电子设备，其特征在于，包括：

存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的神经网络训练的方法。

10.一种计算机存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1至8中任意一项所述的神经网络训练的方法。