本申请公开了一种回归预测模型训练方法、装置和计算机设备，回归预测模型训练方法包括利用多个具有标注的合成图像样本和多个具有标注的真实图像样本训练回归预测模型，通过合成图像样本不仅可以获得足够多的训练样本，用于训练回归预测模型，而且由于训练样本类型多样，包括真实图像样本和合成图像样本，使得回归预测模型可以根据真实图像样本和合成图像样本进行针对性的训练，在训练过程中两种类型的训练样本对应的训练结果相互影响，不仅可以增强回归预测模型回归预测的准确性，而且可以提高回归预测模型回归预测的灵活性，进而使得回归预测模型的普适性提高，增强了回归预测模型的泛化能力。型的泛化能力。型的泛化能力。
【技术实现步骤摘要】
一种回归预测模型训练方法、装置和计算机设备
[0001]本专利技术涉及图像识别领域，尤其涉及一种回归预测模型训练方法、装置和计算机设备。
技术介绍
[0002]现有的预测模型包括回归预测模型和分类预测模型，对于回归预测模型，需要利用大量的带有标注的训练样本对回归预测模型进行训练，以使回归预测模型具有回归预测的能力，例如，经过训练的语义分割模型可以对图像中不同类别的目标进行分割，经过训练的目标追踪模型可以对视频图像中目标进行追踪。
[0003]用于训练的训练样本一般需要专门的人员利用相应的采集设备进行采集，采集完成后还需要大量的工作人员对采集的数据样本进行过滤以去除不符合标准的数据样本，不仅需要大量的人力资源，而且需要花费大量的采集时间，进而使得回归预测模型的训练周期延长。
技术实现思路
[0004]鉴于上述问题，本专利技术提出一种回归预测模型训练方法、装置和计算机设备。
[0005]本申请提出一种回归预测模型训练方法，所述方法包括：
[0006]获取多个具有标注的合成图像样本；
[0007]获取多个具有标注的真实图像样本；
[0008]利用所述多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型，直至所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值，其中，所述复合回归损失函数包括回归预测损失函数和一致性损失函数。
[0009]本申请所述的回归预测模型训练方法，所述获取多个具有标注的合成图像样本，包括：<br/>[0010]将随机噪声向量输入至生成对抗网络的生成器得到多个预定尺寸的合成背景图像；
[0011]从预定图库中获取多个目标图像和对应的目标掩模图像，其中，所述目标掩模图像用于区分对应的目标图像的前景和背景；
[0012]利用所述多个目标图像、多个对应的目标掩模图像和多个合成背景图像确定多个合成图像样本和对应的合成掩模图像，其中，所述合成掩模图像用于区分对应合成图像样本的前景和背景。
[0013]本申请所述的回归预测模型训练方法，所述合成图像样本包括标准合成图像样本，所述合成掩模图像包括标准合成掩模图像，所述合成掩模图像包括标准合成掩模图像，所述利用所述多个目标图像、多个对应的目标掩模图像和多个合成背景图像确定多个合成图像样本和对应的合成掩模图像，包括：
[0014]利用各个目标掩模图像从对应的目标图像中获取对应的前景图像；
[0015]将第i个前景图像放置在第i个合成背景图像上以获取第i个标准合成图像样本，1≤i≤I，I表示标准合成图像样本的总数；
[0016]根据第i个标准合成图像样本的前景和背景确定第i个标准合成掩模图像。
[0017]本申请所述的回归预测模型训练方法，所述合成图像样本还包括增强合成图像样本，所述合成掩模图像还包括增强合成掩模图像，所述将第i个前景图像放置在第i个合成背景图像上之后，还包括：
[0018]对第i个合成背景图像上的第i个前景图像进行图像增强操作以获取第i个增强合成图像样本；
[0019]根据第i个增强合成图像样本的前景和背景确定第i个增强合成掩模图像。
[0020]本申请所述的回归预测模型训练方法，所述复合回归损失函数还包括所述生成对抗网络的损失函数。
[0021]本申请所述的回归预测模型训练方法，所述回归预测模型对应的预设损失函数如下所示：
[0022]L＝L1+L2+L3
[0023]L表示所述复合回归损失值，L1表示所述生成对抗网络的损失函数对应的损失值，L2表示所述回归预测损失函数对应的损失值，L3表示所述一致性损失函数对应的损失值；
[0024]所述一致性损失函数对应的损失值利用以下方法确定：
[0025]对第i个增强合成图像样本进行语义分割预测以获取第一结果向量；
[0026]对第i个标准合成图像样本进行语义分割预测以获得第二结果向量；
[0027]根据第i个增强合成图像样本对应的图像增强操作对所述第二结果向量进行相应的增强操作以获得第三结果向量；
[0028]根据所述第一结果向量和所述第三结果向量之间的向量差确定所述一致性损失函数对应的损失值。
[0029]本申请所述的回归预测模型训练方法，所述回归预测模型包括解码器和生成对抗网络的判别器，所述利用所述多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型，包括：
[0030]利用所述生成对抗网络的判别器判断每个合成图像样本真假性；
[0031]根据所述每个合成图像样本真假性优化所述生成对抗网络的各个参数；
[0032]利用所述判别器输出每个合成图像样本和每个真实图像样本对应的特征向量；
[0033]将每个特征向量输入至所述解码器以预测对应图像的语义分割结果；
[0034]根据每个语义分割结果优化所述训练回归预测模型的各个参数，以使所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值。
[0035]本申请提出一种回归预测模型训练装置，所述装置包括：
[0036]合成图像样本获取模块，用于获取多个具有标注的合成图像样本；
[0037]真实图像样本获取模块，用于获取多个具有标注的真实图像样本；
[0038]回归预测模型训练模块，用于利用所述多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型，直至所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值，其中，所述复合回归损失函数包括回
归预测损失函数和一致性损失函数。
[0039]本申请提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行本申请所述的回归预测模型训练方法。
[0040]本申请提出一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行本申请所述的回归预测模型训练方法。
[0041]本申请利用多个具有标注的合成图像样本和多个具有标注的真实图像样本训练回归预测模型，通过引入合成图像样本不仅可以获得足够多的训练样本，用于训练回归预测模型，而且由于训练样本类型多样，包括真实图像样本和合成图像样本，使得回归预测模型可以根据真实图像样本和合成图像样本进行针对性的训练，在训练过程中两种类型的训练样本对应的训练结果相互影响，不仅可以增强回归预测模型回归预测的准确性，而且可以提高回归预测模型回归预测的灵活性，进而使得回归预测模型的普适性提高，增强了回归预测模型的泛化能力。另外，通过复合回归损失函数中的一致性损失函数让回归预测模型从不同角度对同一训练样本进行学习，保证回归预测模型预测的稳定性。
附图说明
[0042]为了更清楚地说明本专利技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对本专利技术保护范围的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种回归预测模型训练方法，其特征在于，所述方法包括：获取多个具有标注的合成图像样本；获取多个具有标注的真实图像样本；利用所述多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型，直至所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值，其中，所述复合回归损失函数包括回归预测损失函数和一致性损失函数。2.根据权利要求1所述的回归预测模型训练方法，其特征在于，所述获取多个具有标注的合成图像样本，包括：将随机噪声向量输入至生成对抗网络的生成器得到合成背景图像；从预定图库中获取多个目标图像和对应的目标掩模图像，其中，所述目标掩模图像用于区分对应的目标图像的前景和背景；利用所述多个目标图像、多个对应的目标掩模图像和多个合成背景图像确定多个合成图像样本和对应的合成掩模图像，其中，所述合成掩模图像用于区分对应合成图像样本的前景和背景。3.根据权利要求2所述的回归预测模型训练方法，其特征在于，所述合成图像样本包括标准合成图像样本，所述合成掩模图像包括标准合成掩模图像，所述利用所述多个目标图像、多个对应的目标掩模图像和多个合成背景图像确定多个合成图像样本和对应的合成掩模图像，包括：利用各个目标掩模图像从对应的目标图像中获取对应的前景图像；将第i个前景图像放置在第i个合成背景图像上以获取第i个标准合成图像样本，1≤i≤I，I表示标准合成图像样本的总数；根据第i个标准合成图像样本的前景和背景确定第i个标准合成掩模图像。4.根据权利要求3所述的回归预测模型训练方法，其特征在于，所述合成图像样本还包括增强合成图像样本，所述合成掩模图像还包括增强合成掩模图像，所述将第i个前景图像放置在第i个合成背景图像上之后，还包括：对第i个合成背景图像上的第i个前景图像进行图像增强操作以获取第i个增强合成图像样本；根据第i个增强合成图像样本的前景和背景确定第i个增强合成掩模图像。5.根据权利要求4所述的回归预测模型训练方法，其特征在于，所述复合回归损失函数还包括所述生成对抗网络的损失函数。6.根据权利要求5所述的回归预测模型训练方法，其特征在于，所述复合回归损失函数如下所示：L＝L1+L2+L3L表示所述复合回...
【专利技术属性】
技术研发人员：徐阳，
申请(专利权)人：深圳市万普拉斯科技有限公司，
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。