深度预测模型的训练方法及装置、介质和电子设备与流程

技术特征：
1.一种深度预测模型的训练方法，其特征在于，包括：获取样本图像对应的对象掩膜图像，并将所述样本图像输入待训练模型得到深度预测图像；根据所述对象掩膜图像和所述深度预测图像计算所述样本图像对应的目标损失函数；基于所述目标损失函数对所述待训练模型进行权重更新，以获取深度预测模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述对象掩膜图像和所述深度预测图像计算所述样本图像对应的目标损失函数，包括：基于所述深度预测图像计算所述样本图像对应的第一损失函数；基于所述深度预测图像和所述对象掩膜图像计算所述样本图像对应的第二损失函数；根据所述第一损失函数和所述第二损失函数计算所述样本图像对应的目标损失函数。3.根据权利要求2所述的方法，其特征在于，所述第一损失函数包括深度损失函数；所述基于所述深度预测图像计算所述样本图像对应的第一损失函数，包括：针对每一像素，计算所述深度预测图像的深度值与所述样本图像对应的深度标注图像的深度值之间的对数差；基于所述对数差计算所述样本图像对应的深度损失函数。4.根据权利要求3所述的方法，其特征在于，所述第一损失函数还包括平滑损失函数；所述基于所述深度预测图像计算所述样本图像对应的第一损失函数，还包括：计算每一像素在所述深度预测图像上的第一横向偏导数和第一纵向偏导数；基于所述每一像素对应的所述第一横向偏导数和所述第一纵向偏导数计算所述样本图像对应的平滑损失函数。5.根据权利要求2所述的方法，其特征在于，所述第二损失函数包括边缘损失函数；所述基于所述深度预测图像和所述对象掩膜图像计算所述样本图像对应的第二损失函数，包括：计算每一像素在所述深度预测图像上的第一横向偏导数和第一纵向偏导数；计算每一像素在所述对象掩膜图像上的第二横向偏导数和第二纵向偏导数；根据所述第一横向偏导数、所述第一纵向偏导数、所述第二横向偏导数和所述第二纵向偏导数计算所述边缘损失函数。6.根据权利要求1所述的方法，其特征在于，所述获取样本图像对应的对象掩膜图像，包括：对所述样本图像进行图像分割，以获取对象分割图像；基于预设阈值对所述对象分割图像进行赋值，以获取对象掩膜图像。7.根据权利要求1所述的方法，其特征在于，在所述将所述样本图像输入待训练模型得到深度预测图像之前，所述方法还包括：对所述样本图像进行图像增强，以获取增强后的样本图像。8.一种深度预测模型的训练装置，其特征在于，包括：图像获取模块，用于获取样本图像对应的对象掩膜图像，并将所述样本图像输入待训练模型得到深度预测图像；损失计算模块，用于根据所述对象掩膜图像和所述深度预测图像计算所述样本图像对应的目标损失函数；
权重更新模块，用于基于所述目标损失函数对所述待训练模型进行权重更新，以获取深度预测模型。9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。10.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的方法。

技术总结
本公开提供一种深度预测模型的训练方法、深度预测模型的训练装置、计算机可读介质和电子设备，涉及图像处理技术领域。该方法包括：获取样本图像对应的对象掩膜图像，并将样本图像输入待训练模型得到深度预测图像；根据对象掩膜图像和深度预测图像计算样本图像对应的目标损失函数；基于目标损失函数对待训练模型进行权重更新，以获取深度预测模型。本公开可以有效优化对象边缘的深度预测，使得对象边缘处的深度预测结果更加准确。的深度预测结果更加准确。的深度预测结果更加准确。


技术研发人员：戴夏强
受保护的技术使用者：OPPO广东移动通信有限公司
技术研发日：2021.07.27
技术公布日：2021/11/4