申请/专利权人:华为技术有限公司
申请日:2020-11-30
公开(公告)日:2024-04-09
公开(公告)号:CN112488104B
主分类号:G06V10/25
分类号:G06V10/25;G06V10/774;G06V10/764;G06N20/00;G06T7/50
优先权:
专利状态码:有效-授权
法律状态:2024.04.09#授权;2021.03.30#实质审查的生效;2021.03.12#公开
摘要:本申请涉及一种人工智能领域中用于深度估计和置信度预测的机器学习模型的训练方法。所述方法包括:获取带有真实深度标签的训练图像;将所述训练图像输入到待训练的机器学习模型得到深度估计多类别概率;根据所述深度估计多类别概率,分别生成所述训练图像的各个像素点的深度估计值和置信度;根据损失函数调整所述待训练的机器学习模型的模型参数,直到所述损失函数的输出满足预设优化条件,得到训练好的机器学习模型。
主权项:1.一种用于深度估计和置信度预测的机器学习模型的训练方法,其特征在于,所述方法包括:获取带有真实深度标签的训练图像;将所述训练图像输入到待训练的机器学习模型得到深度估计多类别概率,其中,所述深度估计多类别概率包括所述训练图像的像素点被归为预设多个深度类别的每一个深度类别的概率;根据所述深度估计多类别概率,分别生成所述训练图像的各个像素点的深度估计值和置信度;根据损失函数调整所述待训练的机器学习模型的模型参数,直到所述损失函数的输出满足预设优化条件,得到训练好的机器学习模型,其中,所述损失函数包括第一损失函数和第二损失函数,其中,所述第一损失函数用于整体上度量所述训练图像的各个像素点的误差,所述训练图像的各个像素点的每一个像素点的误差为该像素点的深度估计值与所述真实深度标签中该像素点的真实深度值的差值,其中,当所述第二损失函数的输出最小化时,所述训练图像的各个像素点的每一个像素点的置信度和该像素点的误差负相关;所述第二损失函数是置信度排序损失函数,所述置信度排序损失函数比较所述训练图像的任意两个像素点各自的误差或者置信度;若所述置信度排序损失函数比较所述训练图像的任意两个像素点各自的误差,当所述任意两个像素点各自的误差的差值小于预设阈值时,所述置信度排序损失函数判断所述任意两个像素点各自的误差一致;若所述置信度排序损失函数比较所述训练图像的任意两个像素点各自的置信度,当所述任意两个像素点各自的置信度的差值小于预设阈值时,所述置信度排序损失函数判断所述任意两个像素点各自的置信度一致。
全文数据:
权利要求:
百度查询: 华为技术有限公司 深度及置信度估计系统
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。