【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。