【技术实现步骤摘要】
神经网络的训练方法、装置、计算机设备和存储介质
[0001]本公开涉及计算机视觉
，具体而言，涉及一种神经网络的训练方法、装置、计算机设备和存储介质。
技术介绍
[0002]针对现有的域自适应技术而言，在利用目标域的样本图像和源域的样本图像，对目标神经网络进行训练的过程中，往往仅利用目标神经网络预测的目标域的样本图像中的内容特征信息(比如图像中的目标对象对应的特征信息)，以及源域的样本图像中的内容特征信息构建损失，并利用该损失对目标神经网络进行训练。
[0003]由于内容特征信息直接影响着目标神经网络的预测精度，因此，直接利用不同域的内容特征信息构建损失，还需要构建大量的关于目标神经网络生成内容特征信息的重建损失，以保证目标神经网络在对不同域的样本图像进行识别时能够输出可靠的内容特征信息。而大量重建损失的构建，提高了目标神经网络的训练难度。
技术实现思路
[0004]本公开实施例至少提供一种神经网络的训练方法、装置、计算机设备和存储介质。
[0005]第一方面，本公开实施例提供了一种神经...
【技术保护点】
【技术特征摘要】
1.一种神经网络的训练方法，其特征在于，包括：获取源域的第一图像和目标域的第二图像；利用待训练的目标神经网络提取所述第一图像的第一风格信息，并提取所述第二图像的第二风格信息；基于所述第一风格信息和所述第二风格信息，确定风格对抗损失；利用所述风格对抗损失，对所述待训练的目标神经网络进行训练，直至满足预设训练截止条件，得到训练好的目标神经网络。2.根据权利要求1所述的方法，其特征在于，所述第一风格信息包括第一子风格信息和第三子风格信息；所述第二风格信息包括第二子风格信息和第四子风格信息；所述利用待训练的目标神经网络提取所述第一图像的第一风格信息，并提取所述第二图像的第二风格信息，包括：利用所述待训练的目标神经网络分别对所述第一图像和第二图像进行特征提取，得到所述第一图像的第一子风格信息，以及所述第二图像的第二子风格信息；利用所述待训练的目标神经网络分别对所述第一子风格信息和所述第二子风格信息进行特征提取，得到所述第一图像的第三子风格信息，以及所述第二图像的第四子风格信息；所述基于所述第一风格信息和所述第二风格信息，确定风格对抗损失，包括：基于所述第一子风格信息和所述第二子风格信息，确定第一对抗损失，以及基于所述第三子风格信息和所述第四子风格信息，确定第二对抗损失；将所述第一对抗损失和所述第二对抗损失，作为所述风格对抗损失。3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：利用所述待训练的目标神经网络对所述第二图像进行特征提取，得到所述第二图像的内容特征信息，并基于所述内容特征信息，确定所述第二图像的第一语义分割结果；基于所述第一语义分割结果，确定所述第二图像的伪标准分割结果；基于所述第一语义分割结果和所述伪标准分割结果，确定所述待训练的目标神经网络在所述目标域的第一图像预测损失；所述利用所述风格对抗损失，对所述待训练的目标神经网络进行训练，直至满足预设训练截止条件，得到训练好的目标神经网络，包括：利用所述第一图像预测损失和所述风格对抗损失，对所述待训练的目标神经网络进行训练，直至满足预设训练截止条件，得到训练好的目标神经网络。4.根据权利要求3所述的方法，其特征在于，所述内容特征信息包括所述第二图像中的每个像素点的特征子信息；所述基于所述第一语义分割结果，确定所述第二图像的伪标准分割结果，包括：针对所述第一语义分割结果中的每个语义类别，基于属于该语义类别的像素点的特征子信息和属于该语义类别的像素点的数量，确定该语义类别的类别中心信息；基于每个语义类别的所述类别中心信息，分别确定每个语义类别的分割阈值；基于每个语义类别的分割阈值和所述第一语义分割结果，确定所述第二图像的伪标准分割结果。5.根据权利要求4所述的方法，其特征在于，所述基于每个语义类别的所述类别中心信
息，分别确定每个语义类别的分割阈值，包括：针对每个语义类别，基于该语义类别的所述类别中心信息，确定该语义类别的第一相对熵距离；基于该语义类别的第一相对熵距离和预设距离参数，确定该语义类别的分割阈值。6.根据权利要求4所述的方法，其特征在于，所述第一语义分割结果包括每个像素点的子语义分割结果；所述基于每个语义类别的分割阈值和所述第一语义分割结果，确定所述第二图像的伪标准分割结果，包括：针对属于每个语义类别的各个像素点，基于该像素点的特征子信息，确定该像素点的第二相对熵距离；基于该语义类别的所述分割阈值和该像素点的所述...
【专利技术属性】
技术研发人员：林培文，程光亮，石建萍，罗雁天，
申请(专利权)人：上海商汤临港智能科技有限公司，
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。