【技术实现步骤摘要】
本申请属于人工智能，具体涉及一种神经网络模型损失值的确定方法及相关应用方法和设备。
技术介绍
1、在视频编解码领域中，通常采用神经网络模型进行编解码。目前，在神经网络模型的迭代训练的过程中，通过采用平均绝对误差函数或均方误差函数对神经网络模型的输出结果进行损失计算，获得损失值，并基于损失值调整神经网络模型的网络参数以进行下一次迭代训练，直到损失收敛。然而，由于目前损失计算仅考虑神经网络模型的输出结果与标注之间的差距，使得训练的神经网络模型性能较差。
技术实现思路
1、本申请实施例提供一种神经网络模型损失值的确定方法及相关应用方法和设备，能够提高神经网络模型的性能。
2、第一方面，提供了一种神经网络模型损失值的确定方法，包括：
3、获取神经网络模型迭代训练过程中的输出结果；
4、利用目标损失函数对所述输出结果进行损失计算，得到损失值；
5、其中，所述目标损失函数基于预设损失函数和目标参数确定，所述目标参数为影响所述神经网络模型性能的参数，且所述目标参数与用于训练所述神经网络模型的训练样本关联。
6、第二方面，提供了一种视频编解码处理方法，包括：
7、获取视频编解码过程中未滤波的重建图像；
8、将所述未滤波的重建图像输入到环路滤波器，获得滤波后的重建图像；
9、所述环路滤波器包括环路滤波模型，所述环路滤波模型为经过迭代训练获得的神经网络模型，所述环路滤波模型的迭代训练过程中损失值是基于第一方
10、第三方面，提供了一种视频图像处理方法，包括：
11、将解码后获得的第一视频图像输入到视频超分辨率模型，得到第二视频图像；
12、其中，第一视频图像的分辨率小于所述第二视频图像的分辨率，所述视频超分辨率模型为经过迭代训练获得的神经网络模型，所述视频超分辨率模型的迭代训练过程中损失值是基于第一方面所述的神经网络模型损失值的确定方法确定的。
13、第四方面，提供了一种神经网络模型损失值的确定装置，包括：
14、第一获取模块，用于获取神经网络模型迭代训练过程中的输出结果；
15、计算模块，用于利用目标损失函数对所述输出结果进行损失计算，得到损失值；
16、其中，所述目标损失函数基于预设损失函数和目标参数确定，所述目标参数为影响所述神经网络模型性能的参数，且所述目标参数与用于训练所述神经网络模型的训练样本关联。
17、第五方面，提供了一种视频编解码处理装置，包括：
18、第二获取模块，用于获取视频编解码过程中未滤波的重建图像；
19、第一输入模块，用于将所述未滤波的重建图像输入到环路滤波器，获得滤波后的重建图像；
20、所述环路滤波器包括环路滤波模型，所述环路滤波模型为经过迭代训练获得的神经网络模型，所述环路滤波模型的迭代训练过程中损失值是基于第一方面所述的神经网络模型损失值的确定方法确定的。
21、第六方面，提供了一种视频图像处理装置，包括：
22、第二输入模块，用于将解码后获得的第一视频图像输入到视频超分辨率模型，得到第二视频图像；
23、其中，第一视频图像的分辨率小于所述第二视频图像的分辨率，所述视频超分辨率模型为经过迭代训练获得的神经网络模型，所述视频超分辨率模型的迭代训练过程中损失值是基于第一方面所述的神经网络模型损失值的确定方法确定的。
24、第七方面，提供了一种终端，该终端包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤，或者实现如第三方面所述的方法的步骤。
25、第八方面，提供了一种终端，包括处理器及通信接口，其中，所述处理器用于获取神经网络模型迭代训练过程中的输出结果；利用目标损失函数对所述输出结果进行损失计算，得到损失值；其中，所述目标损失函数基于预设损失函数和目标参数确定，所述目标参数为影响所述神经网络模型性能的参数，且所述目标参数与用于训练所述神经网络模型的训练样本关联；
26、或者，所述处理器用于获取视频编解码过程中未滤波的重建图像；将所述未滤波的重建图像输入到环路滤波器，获得滤波后的重建图像；所述环路滤波器包括环路滤波模型，所述环路滤波模型为经过迭代训练获得的神经网络模型，所述环路滤波模型的迭代训练过程中损失值是基于所述神经网络模型损失值的确定方法确定的；
27、或者，所述处理器用于将解码后获得的第一视频图像输入到视频超分辨率模型，得到第二视频图像；其中，第一视频图像的分辨率小于所述第二视频图像的分辨率，所述视频超分辨率模型为经过迭代训练获得的神经网络模型，所述视频超分辨率模型的迭代训练过程中损失值是基于所述神经网络模型损失值的确定方法确定的。
28、第九方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤，或者实现如第三方面所述的方法的步骤。
29、第十方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤，或者实现如第三方面所述的方法的步骤。
30、第十一方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤，或者实现如第三方面所述的方法的步骤。
31、本申请实施例通过获取神经网络模型迭代训练过程中的输出结果；利用目标损失函数对所述输出结果进行损失计算，得到损失值；其中，所述目标损失函数基于预设损失函数和目标参数确定，所述目标参数为影响所述神经网络模型性能的参数，且所述目标参数与用于训练所述神经网络模型的训练样本关联。这样，在模型训练阶段分析了目标参数对神经网络模型的训练收敛的影响，从而提高了训练的神经网络模型的性能。
本文档来自技高网...【技术保护点】
1.一种神经网络模型损失值的确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述神经网络模型用于视频编解码，所述目标参数为影响压缩效率的参数。
3.根据权利要求2所述的方法，其特征在于，所述目标参数包括以下至少一项：
4.根据权利要求1至3任一项所述的方法，其特征在于，所述目标损失函数为：
5.根据权利要求4所述的方法，其特征在于，在所述目标参数为量化参数的情况下，计算所述w的权重函数满足：
6.根据权利要求4所述的方法，其特征在于，在所述神经网络模型用于视频编解码的情况下，所述w包括基于亮度确定的第一权重值和基于色度确定的第二权重值，其中，所述第一权重值和第二权重值基于相同或不同的权重函数确定。
7.根据权利要求4所述的方法，其特征在于，在所述神经网络模型用于视频编解码的情况下，不同的帧类型对应的权重函数不同，所述权重函数用于计算所述w。
8.根据权利要求4所述的方法，其特征在于，在所述神经网络模型用于视频编解码，且所述目标参数包括序列级的量化参数和帧级的量化参数的情况下
9.根据权利要求8所述的方法，其特征在于，所述第一权重函数满足：
10.根据权利要求1至9任一项所述的方法，其特征在于，所述利用目标损失函数对所述输出结果进行损失计算，得到损失值包括：
11.根据权利要求10所述的方法，其特征在于，所述方法还包括：
12.根据权利要求1至11任一项所述的方法，其特征在于，所述预设损失函数为平均绝对误差函数或均方误差函数。
13.一种视频编解码处理方法，其特征在于，包括：
14.一种视频图像处理方法，其特征在于，包括：
15.一种神经网络模型损失值的确定装置，其特征在于，包括：
16.根据权利要求15所述的装置，其特征在于，所述神经网络模型用于视频编解码，所述目标参数为影响压缩效率的参数。
17.根据权利要求16所述的装置，其特征在于，所述目标参数包括以下至少一项：
18.根据权利要求15至17任一项所述的装置，其特征在于，所述目标损失函数为：
19.根据权利要求18所述的装置，其特征在于，在所述目标参数为量化参数的情况下，计算所述w的权重函数满足：
20.根据权利要求18所述的装置，其特征在于，在所述神经网络模型用于视频编解码的情况下，所述w包括基于亮度确定的第一权重值和基于色度确定的第二权重值，其中，所述第一权重值和第二权重值基于相同或不同的权重函数确定。
21.根据权利要求18所述的装置，其特征在于，在所述神经网络模型用于视频编解码的情况下，不同的帧类型对应的权重函数不同，所述权重函数用于计算所述w。
22.根据权利要求18所述的装置，其特征在于，所述神经网络模型损失值的确定装置还包括：
23.根据权利要求22所述的装置，其特征在于，所述第一权重函数满足：
24.根据权利要求15至23任一项所述的装置，其特征在于，所述计算模块具体用于在迭代训练的次数小于或等于预设阈值的情况下，利用目标损失函数对所述输出结果进行损失计算，得到损失值。
25.根据权利要求24所述的装置，其特征在于，所述计算模块还用于在迭代训练的次数大于预设阈值的情况下，利用所述预设损失函数对所述输出结果进行损失计算，得到损失值。
26.根据权利要求15至25任一项所述的装置，其特征在于，所述预设损失函数为平均绝对误差函数或均方误差函数。
27.一种视频编解码处理装置，其特征在于，包括：
28.一种视频图像处理装置，其特征在于，包括：
29.一种终端，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至14任一项所述的神经网络模型损失值的确定方法的步骤，或者实现权利要求15所述的视频编解码处理方法的步骤，或者实现权利要求16所述的视频图像处理方法的步骤。
30.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至14任一项所述的神经网络模型损失值的确定方法的步骤，或者实现权利要求15所述的视频编解码处理方法的步骤，或者实现权利要求16所述的视频图像处理方法的步骤。
...【技术特征摘要】
1.一种神经网络模型损失值的确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述神经网络模型用于视频编解码，所述目标参数为影响压缩效率的参数。
3.根据权利要求2所述的方法，其特征在于，所述目标参数包括以下至少一项：
4.根据权利要求1至3任一项所述的方法，其特征在于，所述目标损失函数为：
5.根据权利要求4所述的方法，其特征在于，在所述目标参数为量化参数的情况下，计算所述w的权重函数满足：
6.根据权利要求4所述的方法，其特征在于，在所述神经网络模型用于视频编解码的情况下，所述w包括基于亮度确定的第一权重值和基于色度确定的第二权重值，其中，所述第一权重值和第二权重值基于相同或不同的权重函数确定。
7.根据权利要求4所述的方法，其特征在于，在所述神经网络模型用于视频编解码的情况下，不同的帧类型对应的权重函数不同，所述权重函数用于计算所述w。
8.根据权利要求4所述的方法，其特征在于，在所述神经网络模型用于视频编解码，且所述目标参数包括序列级的量化参数和帧级的量化参数的情况下，所述方法还包括：
9.根据权利要求8所述的方法，其特征在于，所述第一权重函数满足：
10.根据权利要求1至9任一项所述的方法，其特征在于，所述利用目标损失函数对所述输出结果进行损失计算，得到损失值包括：
11.根据权利要求10所述的方法，其特征在于，所述方法还包括：
12.根据权利要求1至11任一项所述的方法，其特征在于，所述预设损失函数为平均绝对误差函数或均方误差函数。
13.一种视频编解码处理方法，其特征在于，包括：
14.一种视频图像处理方法，其特征在于，包括：
15.一种神经网络模型损失值的确定装置，其特征在于，包括：
16.根据权利要求15所述的装置，其特征在于，所述神经网络模型用于视频编解码，所述目标参数为影响压缩效率的参数。
17.根据权利要求16所述的装置，其特征在于，所述目标参数包括以下至少一项：
18.根据权利要求15至17任一项所述的装置，其特征在于，所述目标损失...
【专利技术属性】
技术研发人员：周川，周通，吕卓逸，
申请(专利权)人：维沃移动通信有限公司，
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。