申请/专利权人：北京百度网讯科技有限公司;百度(美国)有限责任公司

申请日：2020-12-25

公开（公告）日：2024-04-02

公开（公告）号：CN112541482B

主分类号：G06V20/56

分类号：G06V20/56;G06V10/44;G06V10/774;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.04.09#实质审查的生效;2021.03.23#公开

摘要：本申请公开了深度信息补全模型训练方法、装置、设备以及存储介质，涉及计算机视觉、深度学习、自动驾驶等人工智能技术领域。该方法的一具体实施方式包括：获取训练数据，其中，训练数据包括第一稀疏深度图像、对应的第一彩色图像和对应的第一稠密深度图像；将第一稀疏深度图像和第一彩色图像作为输入，将第一稠密深度图像作为输出，训练得到深度信息补全模型，其中，在训练过程中，先融合第一稀疏深度图像和第一彩色图像进行特征提取，再进行特征增强。该实施方式在训练过程中，以稀疏深度图像和对应的彩色图像作为输入，先融合稀疏深度图像和彩色图像进行特征提取，再进行特征增强，能够训练出用于有效获取稠密深度图像的模型。

主权项：1.一种深度信息补全模型训练方法，包括：获取训练数据，其中，所述训练数据包括第一稀疏深度图像、对应的第一彩色图像和对应的第一稠密深度图像；将所述第一稀疏深度图像和所述第一彩色图像作为输入，将所述第一稠密深度图像作为输出，训练得到深度信息补全模型，其中，在训练过程中，先融合所述第一稀疏深度图像和所述第一彩色图像进行特征提取，再进行特征增强，所述深度信息补全模型包括K个基本训练单元，K为正整数，所述基本训练单元包括编码模块、特征增强模块和解码模块，所述编码模块包括多个卷积层，用于融合输入深度图像和所述第一彩色图像进行特征提取，所述输入深度图像和所述第一彩色图像融合后输入到所述编码模块，融合方式是通道融合，所述特征增强模块用于对所述编码模块提取的特征进行特征增强，所述解码模型包括与所述编码模块数量相同的卷积层，是所述编码模块的逆向操作；特征增强模块用于通道级特征增强和像素级特征增强，以及通道级特征和像素级特征融合；其中，所述特征增强模块的通道级特征增强步骤包括：对于特征Fc×w×h，通过卷积和矩阵变维操作，得到特征Qcc×h*w和特征Hch*w×c，其中，c是通道数，w是宽、h是高；将所述特征Qcc×h*w和所述特征Hch*w×c进行矩阵乘法操作，得到矩阵Mcc×c；对所述矩阵Mcc×c进行回归操作，得到权重Mcʹc×c；对所述特征Fc×w×h进行卷积操作，得到特征Fcʹc×w×h；通过所述权重Mcʹc×c和所述特征Fcʹc×w×h进行矩阵乘法操作，得到增强特征Fhc×w×h；对所述增强特征Fhc×w×h与所述特征Fcʹc×w×h进行像素级加法，得到通道级增强特征Fcc×w×h。

全文数据：

权利要求：

百度查询： 北京百度网讯科技有限公司;百度(美国)有限责任公司 深度信息补全模型训练方法、装置、设备以及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD