基于一致性损失的神经网络训练制造技术

一种用于对图像序列进行去噪同时保持在序列中连续显示的图像之间的一致外观的系统和方法。机器学习系统基于神经网络算法将图像序列中的第一输入图像映射到第一输出图像，并且基于第一输出图像与真实数据图像之间的差异来确定第一网络损失。该系统还基于神经网络算法将图像序列中的第二输入图像映射到第二输出图像，并且基于第二输出图像与真实数据图像之间的差异来确定第二网络损失。系统基于第一输出图像与第二输出图像之间的差异来确定一致性损失，并且基于第一网络损失、第二网络损失和一致性损失来更新神经网络算法。损失和一致性损失来更新神经网络算法。损失和一致性损失来更新神经网络算法。

【技术实现步骤摘要】
基于一致性损失的神经网络训练


[0001]本实施方式总体上涉及神经网络，并且具体地涉及基于一致性损失来训练神经网络。

技术介绍

[0002]当图像捕获设备捕获场景的一系列图像（或视频）时，每个图像可能表现出噪声。当图像由机器学习模型处理并且然后以序列（诸如视频）呈现时，视频可能由于噪声的变化而看起来闪烁。也就是说，由于连续的处理的图像之间的噪声差异，场景中的对象或光可能看起来不稳定或不规则。

技术实现思路

[0003]提供本
技术实现思路
是为了以简化的形式介绍下面在具体实施方式中进一步描述的概念的选择。本
技术实现思路
不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在限制所要求保护的主题的范围。
[0004]本公开的主题的一个创新方面可以在训练神经网络的方法中实现。所述方法包括以下步骤：获得场景的捕获的输入图像序列；基于神经网络算法将所述输入图像序列中的第一输入图像映射到第一输出图像；基于所述第一输出图像与真实数据图像之间的差异确定第一网络损失；基于所述神经网络算法将所述输入图像序列中的第二输入图像映射到第二输出图像；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练神经网络的方法，包括：获得场景的捕获的输入图像序列；基于神经网络算法将所述输入图像序列中的第一输入图像映射到第一输出图像；基于所述第一输出图像与真实数据图像之间的差异确定第一网络损失；基于所述神经网络算法将所述输入图像序列中的第二输入图像映射到第二输出图像；基于所述第二输出图像与所述真实数据图像之间的差异确定第二网络损失；基于所述第一输出图像与所述第二输出图像之间的差异确定一致性损失；以及至少部分地基于所述第一网络损失、所述第二网络损失、和所述一致性损失来更新所述神经网络算法。2.根据权利要求1所述的方法，其中所述第一输出图像和所述第二输出图像中的每一个包括多个像素值，并且其中所述一致性损失是基于与所述第一输出图像的所述多个像素值和所述第二输出图像的所述多个像素值相关联的平均像素值来确定的。3.根据权利要求1所述的方法，其中所述第一输出图像和所述第二输出图像中的每一个包括多个像素值，并且其中确定所述一致性损失包括生成包括所述第一输出图像的所述多个像素值和所述第二输出图像的所述多个像素值的矩阵。4.根据权利要求3所述的方法，其中所述一致性损失是基于所述矩阵的秩来确定的。5.根据权利要求1所述的方法，其中所述真实数据图像具有比所述第一输入图像或所述第二输入图像中的任何高的信噪比SNR。6.根据权利要求1所述的方法，其中所述神经网络算法包括递归神经网络算法。7.根据权利要求1所述的方法，还包括：至少部分地基于所述第一网络损失、所述第二网络损失、和所述一致性损失来确定总损失。8.根据权利要求7所述的方法，还包括：使总损失最小化；以及基于最小化的总损失来确定一个或多个参数，其中所述神经网络算法是基于所述一个或多个参数而更新的。9.根据权利要求1所述的方法，还包括：基于所述神经网络算法将所述输入图像序列中的第三输入图像映射到第三输出图像；以及基于所述第三输出图像与所述真实数据图像之间的差异确定第三网络损失，其中所述神经网络算法基于所述第三网络损失被进一步更新。10.根据权利要求9所述的方法，其中所述一致性损失还基于所述第三输出图像与所述第二输出图像之间的差异来确定。11.一种机器学习系统，包括：处理系统；以及存储指令的存储器，所述指令在由所述处理系统执行时使所述机器学习系统：获得场景的捕获的输入图像序列；基于神经网络算法将所述输入图像序列中的第一输入图像映射到第一输出图像；基于所述第一输出图像与真实数据图像之间的差异确定第一网络损失；

【专利技术属性】
技术研发人员：O，
申请(专利权)人：辛纳普蒂克斯公司，
类型：发明
国别省市：