【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...
【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...
【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。