深度估计模型的训练方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种深度估计模型的训练方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体涉及深度学习、计算机视觉等技术领域，可应用于图像处理和图像识别场景下。具体实现方案为：获取样本图像，并生成与样本图像对应的样本深度图像和样本残差图像，根据样本深度图像，确定与样本图像对应的样本光度误差信息，以及根据样本图像、样本残差图像，以及样本光度误差信息训练初始的深度估计模型，以得到目标深度估计模型，能够有效地辅助提升训练得到的深度估计模型针对图像的深度特征的表达建模能力，提升深度估计模型的深度估计效果。果。果。

【技术实现步骤摘要】
深度估计模型的训练方法、装置、电子设备及存储介质


[0001]本公开涉及人工智能
，具体涉及深度学习、计算机视觉等
，可应用于图像处理和图像识别场景下，尤其涉及深度估计模型的训练方法、装置、电子设备及存储介质。

技术介绍

[0002]人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0003]相关技术中的深度估计，可以分为：单目深度估计与双目深度估计，按照是否有监督，可细分为：单目有监督深度估计与单目无监督深度估计，其中，单目无监督深度估计，一般需要借助额外的信息，例如，前后帧视频序列的姿态信息、光流信息等。

技术实现思路

[0004]本公开提供了一种深度估计模型的训练方法、深度估计方法、装置、电子设备、存储介质及计算机程序产品。
[0005]根据本公开的第一方面，提供了一种深度估计模型的训练方法，包括：获取样本图像；生成与所述样本图像对应的样本深度图像和样本残差图像；根据所述样本深度图像，确定与所述样本图像对应的样本光度误差信息；以及根据所述样本图像、所述样本残差图像，以及所述样本光度误差信息训练初始的深度估计模型，以得到目标深度估计模型。
[0006]根据本公开的第二方面，提供了一种深度估计方法，包括：获取待估计图像；将所述待估计图像输入至如上述的深度估计模型的训练方法训练得到的目标深度估计模型之中，以得到所述目标深度估计模型输出的目标深度图像，所述目标深度图像包括：目标深度信息。
[0007]根据本公开的第三方面，提供了一种深度估计模型的训练装置，包括：第一获取模块，用于获取样本图像；生成模块，用于生成与所述样本图像对应的样本深度图像和样本残差图像；确定模块，用于根据所述样本深度图像，确定与所述样本图像对应的样本光度误差信息；以及训练模块，用于根据所述样本图像、所述样本残差图像，以及所述样本光度误差信息训练初始的深度估计模型，以得到目标深度估计模型。
[0008]根据本公开的第四方面，提供了一种深度估计装置，包括：第二获取模块，用于获取待估计图像；输入模块，用于将所述待估计图像输入至如上述的深度估计模型的训练装置训练得到的目标深度估计模型之中，以得到所述目标深度估计模型输出的目标深度图像，所述目标深度图像包括：目标深度信息。
[0009]根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至
少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所述的深度估计模型的训练方法，或者执行如第二方面所述的深度估计方法。
[0010]根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面所述的深度估计模型的训练方法，或者执行如第二方面所述的深度估计方法。
[0011]根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面所述的深度估计模型的训练方法，或者执行如第二方面所述的深度估计方法。
[0012]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0013]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0014]图1是根据本公开第一实施例的示意图；
[0015]图2是根据本公开第二实施例的示意图；
[0016]图3是根据本公开第三实施例的示意图；
[0017]图4是本公开实施例中的应用场景示意图；
[0018]图5是根据本公开第四实施例的示意图；
[0019]图6是根据本公开第五实施例的示意图；
[0020]图7是根据本公开第六实施例的示意图；
[0021]图8是根据本公开第七实施例的示意图；
[0022]图9示出了可以用来实施本公开的实施例的深度估计模型的训练方法的示例电子设备的示意性框图。
具体实施方式
[0023]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0024]图1是根据本公开第一实施例的示意图。
[0025]其中，需要说明的是，本实施例的深度估计模型的训练方法的执行主体为深度估计模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
[0026]本公开实施例涉及人工智能
，具体涉及计算机视觉和深度学习
，可应用于图像处理和图像识别场景下。
[0027]其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
[0028]深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对
诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
[0029]计算机视觉，指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
[0030]而图像处理和图像识别场景可以例如，采用一些硬件设备或者软件计算处理逻辑对待处理图像进行识别，以识别得到相应的图像特征，并采用该图像特征辅助后续的检测应用，将本公开实施例提供的深度估计模型的训练方法应用于图像处理和图像识别场景中，能够有效地辅助提升训练得到的深度估计模型针对图像的深度特征的表达建模能力，提升深度估计模型的深度估计效果，另外，还能够有效地提升硬件设备针对深度估计模型的训练效率，较大程度地提升深度估计模型的深度估计效果。
[0031]如图1所示，该深度估计模型的训练方法包括：
[0032]S101：获取样本图像。
[0033]其中，用于训练深度估计模型的图像，可以被称为样本图像，该样本图像的数量可以是一张或者多张，该样本图像也可以是从多个视频帧之中提取出的部分帧视频图像，对此不做限制。
[0034]上述获取到的样本图像，可以被用于辅助后续深度估计模型的训练，该样本图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度估计模型的训练方法，包括：获取样本图像；生成与所述样本图像对应的样本深度图像和样本残差图像；根据所述样本深度图像，确定与所述样本图像对应的样本光度误差信息；以及根据所述样本图像、所述样本残差图像，以及所述样本光度误差信息训练初始的深度估计模型，以得到目标深度估计模型。2.根据权利要求1所述的方法，所述初始的深度估计模型包括：顺序连接的待训练深度估计模型和残差图生成模型，其中，所述根据所述样本图像、所述样本残差图像，以及所述样本光度误差信息训练初始的深度估计模型，以得到目标深度估计模型，包括：将所述样本图像输入至所述待训练深度估计模型之中，以得到所述待训练深度估计模型输出的预测深度图像；根据所述预测深度图像，生成与所述样本图像对应的预测光度误差信息；将所述预测深度图像输入至所述残差图生成模型之中，以得到所述残差图生成模型输出的预测残差图像；根据所述样本残差图像、所述样本光度误差信息、所述预测光度误差信息，以及所述预测残差图像训练所述待训练深度估计模型，以得到所述目标深度估计模型。3.根据权利要求2所述的方法，其中，所述根据所述样本残差图像、所述样本光度误差信息、所述预测光度误差信息，以及所述预测残差图像训练所述待训练深度估计模型，以得到所述目标深度估计模型，包括：确定所述预测光度误差信息和所述样本光度误差信息之间的光度损失值；确定所述预测残差图像和所述样本残差图像之间的残差损失值；根据所述光度损失值和所述残差损失值确定目标损失值；如果所述目标损失值小于损失阈值，则将训练得到的待训练深度估计模型作为所述目标深度估计模型。4.根据权利要求2所述的方法，其中，所述根据所述预测深度图像，生成与所述样本图像对应的预测光度误差信息，包括：生成与所述预测深度图像对应的预测视差图像；从所述预测视差图像之中解析得到预测视差信息；根据所述样本图像和所述预测视差信息，生成与所述样本图像对应的预测光度误差信息。5.根据权利要求4所述的方法，所述样本图像包括：第一样本图像和第二样本图像，所述第一样本图像和所述第二样本图像不相同，其中，所述根据所述样本图像和所述预测视差信息，生成与所述样本图像对应的预测光度误差信息，包括：根据所述第一样本图像和所述预测视差信息，生成参考样本图像；确定所述参考样本图像与所述第二样本图像之间的光度误差信息并作为所述预测光度误差信息。6.一种深度估计方法，包括：
获取待估计图像；将所述待估计图像输入至如上述权利要求1
‑
5任一项所述的深度估计模型的训练方法训练得到的目标深度估计模型之中，以得到所述目标深度估计模型输出的目标深度图像，所述目标深度图像包括：目标深度信息。7.一种深度估计模型的训练装置，包括：第一获取模块，用于获取样本图像；生成模块，用于生成与所述样本图像对应的样本深度图像和样本残差图像；确定模块，用于根据所述样本深度图像，确定与所述样本图像对应的样本光度误差信息；以及训练模块，用于根据所述样本图像、所述样本残差图像，以及所述...

【专利技术属性】
技术研发人员：叶晓青，孙昊，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：