[发明专利]深度预测网络训练方法、装置、服务器和可读存储介质

权利要求书

1.一种深度预测网络的训练方法，其特征在于，包括：

获取样本图像和所述样本图像对应的标签深度图像，所述标签深度图像标注前景区域，其中，所述样本图像为彩色图像；

将所述样本图像输入预设的深度预测网络，对所述样本图像的前景区域进行深度图预测，生成预测深度图；

根据预设的损失函数，结合所述标签深度图像和所述预测深度图对所述深度预测网络进行训练直至收敛，以获得训练完成的深度预测网络；其中，通过计算回归损失、光滑损失、细节损失、身份损失和前景分类损失获得所述损失函数的损失值。

2.根据权利要求1所述的深度预测网络的训练方法，其特征在于，所述将所述样本图像输入预设深度预测网络，对所述样本图像的前景区域进行深度图预测，生成预测深度图，包括：

通过所述预设深度预测网络第一网络分支生成所述样本图像的全景预测深度图，所述全景预测深度图为对前景和背景的深度预测；

通过所述预设深度预测网络第二网络分支生成所述样本图像的分类前景掩模，所述分类前景掩模中前景的类别为1，背景的类别为0；

根据所述全景预测深度图和所述分类前景掩模生成所述预测深度图，所述预测深度图忽略背景区域。

3.根据权利要求2所述的深度预测网络的训练方法，其特征在于，所述通过所述预设深度预测网络生成所述样本图像的全景预测深度图，包括：

通过所述预设深度预测网络中预设节点生成多个节点预测深度图；

将所述多个节点预测深度图相加作为所述全景预测深度图。

4.根据权利要求1所述的深度预测网络的训练方法，其特征在于，所述根据预设的损失函数，结合所述标签深度图像和所述预测深度图对所述深度预测网络进行训练直至收敛，包括：

对所述预测深度图计算所述回归损失、所述光滑损失、所述细节损失、所述身份损失和所述前景分类损失直至收敛；

所述回归损失Loss_rec通过以下公式计算：

所述细节损失Loss_gradient通过以下公式计算：

所述光滑损失Loss_smooth通过以下公式计算：

所述前景分类损失Loss_cl通过以下公式计算：

所述身份损失Loss_id通过以下公式计算：

Loss_id＝softmax_cross_entropy(Classfier(M(Depth_pred))，ID)

其中，i为第i个像素，Depth_pred为所述预测深度图，为所述预测深度图第i个像素的预测深度值，为所述标签深度图像，W1_i为二分类权重，W2_i为像素权重，Gradient为梯度计算，N为总像素数量，softmax_cross_entropy为交叉熵计算，为分类前景掩模，为前景掩模，ID为所述标签深度图像的ID，M为识别网络，Classfier为分类器。

5.根据权利要求1-4任一所述的深度预测网络的训练方法，其特征在于，所述将所述样本图像输入预设的深度预测网络，对所述样本图像的前景区域进行深度图预测，生成预测深度图后，还包括：

根据所述标签深度图像和所述预测深度图获得最小噪声距离阈值，当像素的距离超过所述最小噪声距离阈值时，将所述像素视为噪声；

将所述标签深度图像和所述预测深度图中距离大于所述最小噪声距离阈值的像素权重置为0。

6.根据权利要求1-4任一所述的深度预测网络的训练方法，其特征在于，所述获取样本图像和所述样本图像对应的标签深度图像后，还包括：

通过分割网络检测所述样本图像的前景区域；

根据所述样本图像的前景区域标注所述标签深度图像。