[发明专利]一种深度学习网络训练方法、装置、设备及存储介质

权利要求书

1.一种视觉感知模型训练方法，其特征在于，所述方法包括：

获取相机内参、相机外参、相机捕捉图像以及所述相机捕捉图像中识别目标的标注二维表达式；

根据预设的视觉感知模型、所述相机内参以及所述相机外参，确定所述相机捕捉图像中识别目标的预测三维表达式；

基于所述识别目标的预测三维表达式以及所述相机捕捉图像中识别目标的标注二维表达式，得到网络损失；

根据所述网络损失，训练视觉感知模型。

2.根据权利要求1所述的方法，其特征在于，所述基于所述识别目标的预测三维表达式以及所述相机捕捉图像中识别目标的标注二维表达式，得到网络损失，包括：

基于所述识别目标的预测三维表达式以及预设的坐标系转换规则，将所述识别目标的预测三维表达式转换为所述相机捕捉图像所在的坐标系下的投影二维表达式；

基于所述识别目标的投影二维表达式与所述相机捕捉图像中识别目标的标注二维表达式的差异，得到损失函数；

根据所述损失函数，计算网络损失。

3.根据权利要求2所述的方法，其特征在于，所述基于所述识别目标的投影二维表达式与所述相机捕捉图像中识别目标的标注二维表达式的差异，得到损失函数，包括：

基于所述识别目标的投影二维表达式与所述相机捕捉图像中识别目标的标注二维表达式中组成所述识别目标的点的坐标值差异和存在性差异，得到损失函数。

4.根据权利要求1所述的方法，其特征在于，所述识别目标包括：车道线；

所述基于所述识别目标的预测三维表达式以及所述相机捕捉图像中识别目标的标注二维表达式，得到网络损失，包括：

基于所述识别目标的预测三维表达式在所述相机捕捉图像所在坐标系中的投影二维表达式与所述相机捕捉图像中识别目标的标注二维表达式的差异，得到第一损失函数；

基于所述识别目标的预测三维表达式，计算同一车道的车道宽度差异，得到第二损失函数；

基于所述识别目标的预测三维表达式，计算同一距离下相邻车道线的高度差异，得到第三损失函数；

根据所述第一损失函数、所述第二损失函数以及所述第三损失函数中的至少一项，计算网络损失。

5.根据权利要求4所述的方法，其特征在于，所述基于所述识别目标的预测三维坐标值，获取同一车道的车道宽度差异，得到第二损失函数，包括：

基于所述识别目标的预测三维表达式，获取同一车道的车道宽度差异的标准差、方差或均方差中的任意一项；

根据所述同一车道的车道宽度差异的标准差、方差或均方差中的任意一项，得到第二损失函数。

6.根据权利要求4所述的方法，其特征在于，所述基于所述识别目标的预测三维表达式，计算同一距离下相邻车道线的高度差异，得到第三损失函数，包括：

基于所述识别目标的预测三维表达式，计算同一距离下相邻车道线的高度差异的绝对值、平方或多次幂中的任意一项；

根据所述同一距离下相邻车道线的高度差异的绝对值、平方或多次幂中的任意一项，得到第三损失函数。

7.根据权利要求1所述的方法，其特征在于，所述根据所述网络损失，训练视觉感知模型，包括：

根据所述网络损失，更新视觉感知模型的参数。

8.一种视觉感知模型训练装置，其特征在于，所述装置包括：数据获取模块，坐标预测模块，损失计算模块以及模型训练模块；

所述数据获取模块，用于获取相机内参、相机外参、相机捕捉图像以及所述相机捕捉图像中识别目标的标注二维表达式；

所述坐标预测模块，用于根据预设的视觉感知模型、所述相机内参以及所述相机外参，确定所述相机捕捉图像中识别目标的预测三维表达式；

所述损失计算模块，用于基于所述识别目标的预测三维表达式以及所述相机捕捉图像中识别目标的标注二维表达式，得到网络损失；

所述模型训练模块，用于根据所述网络损失，训练视觉感知模型。