[发明专利]一种运动感知模型的训练方法、装置、电子设备及存储介质

说明书

本发明涉及一种运动感知模型的训练方法、装置、电子设备及存储介质，包括获取训练图像组集合和每一训练图像组对应的标签光流信息，对每一训练图像组进行特征提取处理，确定多个目标特征图集，从每一目标特征图集中，确定每一训练图像组对应的预测光流信息，根据标签光流信息和预测光流信息，确定每一目标特征图集对应的损失信息，基于每一目标特征图集对应的损失信息对当前机器学习模型的参数进行调整，当对当前机器学习模型的参数进行调整的次数大于预设阈值时，将当前机器学习模型确定为运动感知模型，将损失信息对应的模型参数确定为运动感知模型的参数。本申请可以监督中间的特征层的采样所得到感知信息，提高模型输出的运动状态的精确性。

技术领域

本发明涉及深度学习领域，尤其涉及一种运动感知模型的训练方法、装置、电子设备及设存储介质。

背景技术

随着深度学习技术的不断发展，人们使用神经网络对运动物体进行分割，现有基于神经网络对运动物体进行感知的方法，主要是基于Tokmakov提出的一种运动显著性估计的网络结构，该网络是一种端到端的网络结构，即在网络的一端输入光流场，在另一端解码输出运动显著性的地图。由于该网络是通过大感受野感知场景的整体运动状态，因此，在网络设计过程中，会对中间的特征层进行采样，但是在该网络只监督最后一层的输出，因此很难保证对中间的特征层的采样所得到感知信息是想要的信息。如此，将使得网络输出的运动状态的精确性不高，且可能会输出冗余信息，造成计算机资源的浪费。

发明内容

本发明实施例提供一种运动感知模型的训练方法、装置、电子设备及存储介质，可以监督中间的特征层的采样所得到感知信息，可以提高模型输出的运动状态的精确性。

本发明实施例提供了一种运动感知模型的训练方法，该方法包括获取训练图像组集合和每一训练图像组对应的标签光流信息；

构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；

基于当前机器学习模型，对每一训练图像组进行特征提取处理，确定多个目标特征图集；

从每一目标特征图集中，确定每一训练图像组对应的预测光流信息；

根据标签光流信息和预测光流信息，确定每一目标特征图集对应的损失信息；

基于每一目标特征图集对应的损失信息对当前机器学习模型的参数进行调整，得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对每一训练图像组进行特征提取处理，多个目标特征图集；

当对当前机器学习模型的参数进行调整的次数大于预设阈值时，将当前机器学习模型确定为运动感知模型，将损失信息对应的模型参数确定为运动感知模型的参数。

进一步地，对每一训练图像组进行特征提取处理，确定多个目标特征图集，包括：

基于当前机器学习模型，对每一训练图像组进行特征提取处理，得到待处理特征图集；

对待处理特征图集进行特征提取处理，得到第一特征图集；

根据待处理特征图集和第一特征图集，确定第二特征图集；

基于第二特征图集，确定多个目标特征图集。

进一步地，对待处理特征图集进行特征提取处理，得到第一特征图集之前，还包括：

对相机参数信息进行全连接处理，得到相机参数信息对应的权重信息集合和偏置信息集合；

根据权重信息集合和偏置信息集合，确定卷积信息集合；卷积信息集合包括第一卷积信息和第二卷积信息中的至少一个。

进一步地，基于第二特征图集，确定多个目标特征图集，包括：

对第二特征图集进行特征提取处理，得到第三特征图集；