[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

说明书

本发明公开了一种神经网络训练的方法、电子设备及计算机存储介质，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，以预设的训练样本图为输入，预测特征图为输出，训练神经网络模型，得到训练后的神经网络模型。本发明通过设置边界感知深度损失函数，能够有效提高神经网络模型在训练过程中对边界区域的关注度，保证边界区域的深度和深度梯度具备良好的正确性，从而有效抑制平滑现象，避免出现边界区域模糊的问题，最终能够有效提高边界预测精度。

技术领域

本发明涉及人工智能领域，特别涉及一种神经网络训练的方法、电子设备及计算机存储介质。

背景技术

随着深度学习的发展，各类视觉估算任务的准确度以及效率都得到长足的进步。单目深度估计是指从单张图片中预测每个像素点对应的深度，但是单张图片中的几何信息有限，因此限制了其深度估计的准确度。单目深度估计被广泛应用于多个领域，如室内场景建模、SLAM和机器人自动导航等领域。

相关技术中，单目深度估计主要采用深度神经网络来对目标图像进行预测，深度神经网络在深度信息的提取方面表现出较好的性能，但是在信息提取的过程中存在明显的场景结构信息丢失，场景中的结构信息即特征的损失会导致深度图模糊，最终会降低预测精度，还会导致投影点云时出现像素漂移等一系列问题，影响预测结果的准确性。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提供了一种神经网络训练的方法、电子设备及计算机存储介质，能够避免出现边界模糊的问题，提高预测结果的准确性。

本发明第一方面实施例提供一种神经网络训练的方法，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，以预设的训练样本图为输入，预测特征图为输出，训练神经网络模型，得到训练后的神经网络模型。

根据本发明的上述实施例，至少具有如下有益效果：通过设置边界感知深度损失函数，能够有效提高神经网络模型在训练过程中对边界区域的关注度，保证边界区域的深度和深度梯度具备良好的正确性，从而有效抑制平滑现象，避免出现边界区域模糊的问题，最终能够有效提高边界预测精度，应用于单目深度估计时，可有效提高预测结果的准确性。

根据本发明第一方面的一些实施例，基于预设的边界感知深度损失函数，以预设的训练样本图为输入，预测特征图为输出，训练神经网络模型，得到训练后的神经网络模型，包括：

将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；

将每一第一中间特征图进行连接并融合，得到全局特征图；

将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；

将第二中间特征图进行池化缩小，得到第三中间特征图；

将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；

将映射特征图与第二中间特征图进行乘积并进行反卷积恢复，以输出得到预测特征图；

根据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；

根据损失函数值与预设目标值调整神经网络模型的权重，对神经网络模型进行训练，直至损失函数值满足停止训练条件。

根据本发明第一方面的一些实施例，边界感知深度损失函数的计算公式为：