CN110378250B - 用于场景认知的神经网络的训练方法、装置及终端设备 - Google Patents

Abstract

本发明适用于深度神经网络技术领域，提供了一种用于场景认知的神经网络的训练方法、装置及终端设备，通过根据源视图，通过神经网络合成与目标视图接近的第一图像和第二图像，其中源视图为序列图像中的任意一帧图像，目标视图为与源视图相邻的下一帧图像；再基于第一图像和目标视图，构建相机姿态预测子网络的第一损失函数，基于第二图像和目标视图，构建深度图预测子网络的第二损失函数；然后，通过基于第一图像和第二图像所构建的损失函数对神经网络进行训练，从而提供了一种能够不依赖于有标签的训练图像、精确的深度图以及相机运动信息，也能够识别任意场景的神经网络。

Description

用于场景认知的神经网络的训练方法、装置及终端设备

技术领域

本发明属于深度神经网络技术领域，尤其涉及一种用于场景认知的神经网络的训练方法、装置及终端设备。

背景技术

现有利用深度学习进行场景识别的神经网络，都是通过训练集图片自带的样本和标签进行训练，然后利用训练好的模型来对图片进行特征提取，通过提取的特征点匹配来获取深度，但是实际中大部分的图片都没有标签，即使可以利用人工标注，也需要花费很大的时间和成本。

而现有的从运动中恢复结构方法(SFM)在一定程度上能够解决图片标签的问题，能够有效解决大多数场景识别问题，但它通常需要预先估计相机的运动，再通过块匹配搜索获取场景结构，因此对相机运动的错误估计将会导致错误的深度预测，使得依赖于精确的图像匹配的SFM方法，在纹理较低、几何/光度复杂、结构单一和遮挡的区域无法很好地实现场景识别，并且在相机平移幅度很小时无法识别当前的场景。

发明内容

有鉴于此，本发明实施例提供了一种用于场景认知的神经网络的训练方法、装置及终端设备设备，以提供一种能够不依赖于有标签的训练图像、精确的深度图以及相机运动信息，也能够识别任意场景的神经网络。

本发明实施例的第一方面提供了一种用于场景认知的神经网络训练方法，包括：

根据源视图，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，所述源视图为序列图像中的任意一帧图像，所述目标视图为与所述源视图相邻的下一帧图像；

基于所述第一图像和所述目标视图，构建所述相机姿态预测子网络的第一损失函数；

基于所述第二图像和所述目标视图，构建所述深度图预测子网络的第二损失函数；

基于所述第一损失函数和所述第二损失函数，对所述神经网络进行训练以使得所述神经网络能够识别各种场景。

本发明实施例的第二方面提供了一种用于场景认知的神经网络训练装置，包括：

图像合成单元，用于根据源视图，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，所述源视图为序列图像中的任意一帧图像，所述目标视图为与所述源视图相邻的下一帧图像；

第一损失函数构建单元，用于基于所述第一图像和所述目标视图，构建所述相机姿态预测子网络的第一损失函数；

第二损失函数构建单元，用于基于所述第二图像和所述目标视图，构建所述深度图预测子网络的第二损失函数；

神经网络训练单元，用于基于所述第一损失函数和所述第二损失函数，对所述神经网络进行训练以使得所述神经网络能够识别各种场景。

本发明实施例的第三方面提供了一种终端设备，包括：

存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本发明实施例的第一方面提供的用于场景认知的神经网络训练方法的步骤。

其中，所述计算机程序包括：

图像合成单元，用于根据源视图，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，所述源视图为序列图像中的任意一帧图像，所述目标视图为与所述源视图相邻的下一帧图像；

第一损失函数构建单元，用于基于所述第一图像和所述目标视图，构建所述相机姿态预测子网络的第一损失函数；

第二损失函数构建单元，用于基于所述第二图像和所述目标视图，构建所述深度图预测子网络的第二损失函数；

神经网络训练单元，用于基于所述第一损失函数和所述第二损失函数，对所述神经网络进行训练以使得所述神经网络能够识别各种场景。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明实施例的第一方面提供的用于场景认知的神经网络训练方法的步骤。

其中，所述计算机程序包括：

图像合成单元，用于根据源视图，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，所述源视图为序列图像中的任意一帧图像，所述目标视图为与所述源视图相邻的下一帧图像；

第一损失函数构建单元，用于基于所述第一图像和所述目标视图，构建所述相机姿态预测子网络的第一损失函数；

第二损失函数构建单元，用于基于所述第二图像和所述目标视图，构建所述深度图预测子网络的第二损失函数；

神经网络训练单元，用于基于所述第一损失函数和所述第二损失函数，对所述神经网络进行训练以使得所述神经网络能够识别各种场景。

本发明实施例与现有技术相比存在的有益效果是：通过根据源视图，分别通过神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，其中，源视图为序列图像中的任意一帧图像，目标视图为与源视图相邻的下一帧图像；基于第一图像和目标视图，构建相机姿态预测子网络的第一损失函数；基于第二图像和目标视图，构建深度图预测子网络的第二损失函数；基于第一损失函数和第二损失函数，对神经网络进行训练以使得神经网络能够识别各种场景，通过基于第一图像和第二图像所构建的损失函数对神经网络进行训练，从而提供了一种能够不依赖于有标签的训练图像、精确的深度图以及相机运动信息，也能够识别任意场景的神经网络。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种用于场景认知的神经网络训练方法的实现流程图；

图2是本发明实施例提供的一种合成第一图像和第二图像的方法的具体实现流程图；

图3是本发明实施例提供的一种用于场景认知的神经网络训练装置的示意图；

图4是本发明实施例提供的一种终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。请参考图1，图1示出了本发明实施例提供的一种用于场景认知的神经网络训练方法的实现流程，详述如下：

在步骤S101中，根据源视图，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，其中，所述源视图为序列图像中的任意一帧图像，所述目标视图为与所述源视图相邻的下一帧图像。

在本发明实施例中，作为训练集的序列图像为[I₁,I₂,…,I_N]，其中N为大于1的任意正整数，序列图像为无人工标记的由摄像机获取的多张具有连续性的单一视角图像，或者为从视频流中截取的无人工标记的一系列图像。

这里所指的神经网络为由相机姿态预测子网络和深度图预测子网络组成的卷积神经网络，其中，深度图预测子网络中的所有卷积层后面均设有ReLU激活函数，并且为了约束预测的深度值始终保持在合理范围内的正值，ReLU激活函数具体为α×sigmoid(x)+β，其中α＝100，β＝1。相机姿态预测子网络包括6个跨步卷积，随后是1个带有6个输出通道的1卷积层，每个通道分别对应于3个欧拉角和3个平移转换量，并将全局平均池化层应用于所有空间位置的聚合预测，除最后一层不施加非线性激活外，所有卷积层后面都跟着RELU激活函数层。

在这里，以序列图像中的第t-1帧图像I_t-1为源视图，以与源视图相邻的第t帧图像I_t为目标视图，将该序列图像输入至神经网络中进行视图合成，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像。

具体的，请参考图2，图2示出了本发明实施例提供的一种合成第一图像和第二图像的方法的具体实现流程，详述如下：

在步骤S201中，根据所述源视图和第一合成函数，通过所述相机姿态预测子网络合成与所述目标视图接近的第一图像。

在本发明实施例中，当图像序列的个数为N个时，源视图I_t-1的个数亦为N个，这时，目标图像I_t的个数为N-1个，那么对应的第一图像

的个数亦为N-1个，同理，第二图像

的个数亦为N-1个。

在步骤S202中，根据所述源视图和第二合成函数，通过所述深度图预测子网络合成与所述目标视图接近的第二图像。

其中，所述第一合成函数为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；

表示第一图像；P为投影函数，表示为P～K·(R,T)D_t-1K^-1，其中K表示相机内参，D_t-1表示t-1帧图像的深度值，R和T分别表示所述相机姿态预测子网络的姿态矩阵中的旋转矩阵和平移矩阵；R_t-1→t和T_t-1→t分别表示相机从第t-1帧图像到第t帧图像的旋转矩阵和平移矩阵；

所述第二合成函数为：

其中，

表示第二图像，(U_t(x,y),V_t(x,y))表示第t-1帧图像和第t帧图像之间的光流，(x,y)表示像素坐标。

在本发明实施例中，为了获得相邻两帧图像即第t-1帧和第t帧这两帧图像之间的光流，利用相机运动对根据深度值D_t-1得到的像素对应的三维点云P_t-1进行了变换，其中三维点云P_t-1＝(X_t-1,Y_t-1,Z_t-1)具体如下：

其中，X_t-1,Y_t-1,Z_t-1表示第t-1帧图像上每个像素点对应的空间中的三维坐标，D_t-1表示第t-1帧图像的深度值；w表示图像的宽度；h表示图像的高度；c_x,c_y,f均表示相机内参。

P_t＝R_t-1P_t-1+T_t-1

其中，P_t表示通过相机内参将三维点云P_t-1投影到图像平面上得到三维点云。

在这里，通过相机内参将三维点云P_t-1投影到图像平面上得到对应的P_t，然后，再将P_t＝(X_t,Y_t,Z_t)投影回图像平面，得到第t帧图像中像素的行和列位置(x_t,y_t)，如下所示：

这时，像素(x,y)处相邻两帧图像I_t-1和I_t的光流U,V表示为：

(U_t(x,y),V_t(x,y))＝(x_t-x_t-1,y_t-y_t-1)

可以理解的是，步骤S201和步骤S202并无先后之分，两者也可以同时执行。

在本发明实施例中，合成与目标视图接近的第一图像和第二图像，是为了优化相机姿态预测子网络中的姿态矩阵，以使得能够通过该姿态矩阵实现对任意场景的识别，提高对场景中存在纹理较低、几何/光度复杂、结构单一和遮挡的区域的识别准确率，并将第一图像和第二图像作为监督信息来获取相机运动和场景结构深度的信息，使得不再需要对图像进行人工标记仍然可以有效地识别任意场景，提高了神经网络对场景预测的准确率。

在步骤S102中，基于所述第一图像和所述目标视图，构建所述相机姿态预测子网络的第一损失函数。

在本发明实施例中，通过给定一个场景的视图即源视图，合成从不同的相机姿态看到的场景的新视图即第一图像，并将该第一图像与目标视图进行相似度比较，通过第一损失函数计算两者的损失值，以使得损失值越接近零，从而实现对相机姿态预测子网络中的姿态矩阵的调整，使得该神经网络最终能够识别任意场景。

在这里，步骤S102具体为：

基于所述第一图像和所述目标视图，按照第一预设公式构建所述相机姿态预测子网络的第一损失函数；

其中，所述第一预设公式为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；L_T为第一损失函数，表示通过第t-1帧图像推导出的第t帧图像与摄像机获取的第t帧图像之间的2范数，

为第一图像，表示通过第t-1帧图像推导出的第t帧图像。

在步骤S103中，基于所述第二图像和所述目标视图，构建所述深度图预测子网络的第二损失函数。

在本发明实施例中，通过给定一个场景的视图即源视图，根据每个像素的深度和该视图的姿态合成不同相机深度下的新视图即第二图像，并将该第二图像与目标视图进行相似度比较，通过第二损失函数计算两者的损失值，以使得损失值越接近零，从而实现对深度图预测子网络中的深度值的调整，使得该神经网络最终能够识别任意场景的深度。

在这里，步骤S103具体为：

基于所述第二图像和所述目标视图，按照第二预设公式构建所述深度图预测子网络的第二损失函数；

其中，所述第二预设公式为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；L_D表示第二损失函数，为通过光流获取的第t帧图像与摄像机获取的第t帧图像之间的2范数，

为第二图像，表示通过光流获取的第t帧图像。

在步骤S104中，基于所述第一损失函数和所述第二损失函数，对所述神经网络进行训练以使得所述神经网络能够识别各种场景。

在本发明实施例中，在对神经网络进行训练过程中，输入序列图像，通过迭代训练并最小化第一损失函数和第二损失函数，以获取最小化时第一损失函数和第二损失函数中的深度值D_t-1和姿态矩阵(R,T)，从而实现对任意场景的识别。

具体的，步骤S104包括：

步骤S1041，通过所述第一损失函数，对所述相机姿态预测子网络的各个参数进行调整以优化所述相机姿态预测子网络的姿态矩阵。

在本发明实施例中，通过将第一图像作为监督信号，对相机姿态预测子网络中的各个参数进行调整，使得最终得到的第一图像与目标图像越接近，从而实现对相机姿态预测子网络的姿态矩阵的优化，使得该神经网络不再依赖于相机运动信息也可以对相机的姿态做出准确判断。

步骤S1042，通过所述第二损失函数，对所述深度图预测子网络的各个参数进行调整以优化所述深度图预测子网络输出的深度图像，并将所述深度图像输入至所述相机姿态预测子网络以对所述相机姿态预测子网络的各个参数进行调整。

在本发明实施例中，通过将第二图像作为监督信号，对深度图预测子网络中的各个参数进行调整，使得最终得到的第二图像与目标图像越接近，从而实现对深度图预测子网络的深度优化，使得该神经网络能够提供准确度更高的深度图，从而使得相机姿态预测子网络能够获取多种深度图的进行预测学习，即使在相机平移很小的退化情况下，也可以从数据中有效地学习到预测对象的先验知识，获取到精确的深度图进行相机姿态判断，而且通过利用多种深度图获取的因素，如多视图、轮廓、纹理、阴影、散焦、薄雾等区域，对神经网络进行训练，提高神经网络对这些复杂的场景识别效率和准确率。

在本发明实施例中，通过根据源视图，分别通过神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，其中，源视图为序列图像中的任意一帧图像，目标视图为与源视图相邻的下一帧图像；基于第一图像和目标视图，构建相机姿态预测子网络的第一损失函数；基于第二图像和目标视图，构建深度图预测子网络的第二损失函数；基于第一损失函数和第二损失函数，对神经网络进行训练以使得神经网络能够识别各种场景，通过基于第一图像和第二图像所构建的损失函数对神经网络进行训练，从而提供了一种能够不依赖于有标签的训练图像、精确的深度图以及相机运动信息，也能够识别任意场景的神经网络。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的一种用于场景认知的神经网络训练方法，图3示出了本发明实施例提供的一种用于场景认知的神经网络训练装置的示意图，为了便于说明，仅示出了与本发明实施例相关的部分。

参照图3，该装置包括：

图像合成单元31，用于根据源视图，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，所述源视图为序列图像中的任意一帧图像，所述目标视图为与所述源视图相邻的下一帧图像；

第一损失函数构建单元32，用于基于所述第一图像和所述目标视图，构建所述相机姿态预测子网络的第一损失函数；

第二损失函数构建单元33，用于基于所述第二图像和所述目标视图，构建所述深度图预测子网络的第二损失函数；

神经网络训练单元34，用于基于所述第一损失函数和所述第二损失函数，对所述神经网络进行训练以使得所述神经网络能够识别各种场景。

具体的，所述图像合成单元31包括：

第一图像合成子单元，用于根据所述源视图和第一合成函数，通过所述相机姿态预测子网络合成与所述目标视图接近的第一图像；

第二图像合成子单元，用于根据所述源视图和第二合成函数，通过所述深度图预测子网络合成与所述目标视图接近的第二图像；

其中，所述第一合成函数为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；

表示第一图像；P为投影函数，表示为P～K·(R,T)D_t-1K^-1，其中K表示相机内参，D_t-1表示t-1帧图像的深度值，R和T分别表示所述相机姿态预测子网络的姿态矩阵中的旋转矩阵和平移矩阵；R_t-1→t和T_t-1→t分别表示相机从第t-1帧图像到第t帧图像的旋转矩阵和平移矩阵；

所述第二合成函数为：

其中，

表示第二图像，(U_t(x,y),V_t(x,y))表示第t-1帧图像和第t帧图像之间的光流，(x,y)表示像素坐标。

所述第一损失函数构建单元32，具体用于：

基于所述第一图像和所述目标视图，按照第一预设公式构建所述相机姿态预测子网络的第一损失函数；

其中，所述第一预设公式为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；L_T为第一损失函数，表示通过第t-1帧图像推导出的第t帧图像与摄像机获取的第t帧图像之间的2范数，

为第一图像，表示通过第t-1帧图像推导出的第t帧图像。

所述第二损失函数构建单元33，具体用于：

基于所述第二图像和所述目标视图，按照第二预设公式构建所述深度图预测子网络的第二损失函数；

其中，所述第二预设公式为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；L_D表示第二损失函数，为通过光流获取的第t帧图像与摄像机获取的第t帧图像之间的2范数，

为第二图像，表示通过光流获取的第t帧图像。

具体的，所述神经网络训练单元34，包括：

第一训练子单元，用于通过所述第一损失函数，对所述相机姿态预测子网络的各个参数进行调整以优化所述相机姿态预测子网络的姿态矩阵；

第二训练子单元，用于通过所述第二损失函数，对所述深度图预测子网络的各个参数进行调整以优化所述深度图预测子网络输出的深度图像，并将所述深度图像输入至所述相机姿态预测子网络以对所述相机姿态预测子网络的各个参数进行调整。

在本发明实施例中，通过根据源视图，分别通过神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，其中，源视图为序列图像中的任意一帧图像，目标视图为与源视图相邻的下一帧图像；基于第一图像和目标视图，构建相机姿态预测子网络的第一损失函数；基于第二图像和目标视图，构建深度图预测子网络的第二损失函数；基于第一损失函数和第二损失函数，对神经网络进行训练以使得神经网络能够识别各种场景，通过基于第一图像和第二图像所构建的损失函数对神经网络进行训练，从而提供了一种能够不依赖于有标签的训练图像、精确的深度图以及相机运动信息，也能够识别任意场景的神经网络。

图4是本发明一实施例提供的一种终端的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个用于场景认知的神经网络训练方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器40执行所述计算机程序42时实现上述各系统实施例中各单元的功能，例如图3所示模块31至34的功能。

示例性的，所述计算机程序42可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成图像合成单元31、第一损失函数构建单元32、第二损失函数构建单元33、神经网络训练单元34，各单元具体功能如下：

图像合成单元31，用于根据源视图，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，所述源视图为序列图像中的任意一帧图像，所述目标视图为与所述源视图相邻的下一帧图像；

第一损失函数构建单元32，用于基于所述第一图像和所述目标视图，构建所述相机姿态预测子网络的第一损失函数；

第二损失函数构建单元33，用于基于所述第二图像和所述目标视图，构建所述深度图预测子网络的第二损失函数；

神经网络训练单元34，用于基于所述第一损失函数和所述第二损失函数，对所述神经网络进行训练以使得所述神经网络能够识别各种场景。

具体的，所述图像合成单元31包括：

第一图像合成子单元，用于根据所述源视图和第一合成函数，通过所述相机姿态预测子网络合成与所述目标视图接近的第一图像；

第二图像合成子单元，用于根据所述源视图和第二合成函数，通过所述深度图预测子网络合成与所述目标视图接近的第二图像；

其中，所述第一合成函数为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；

表示第一图像；P为投影函数，表示为P～K·(R,T)D_t-1K^-1，其中K表示相机内参，D_t-1表示t-1帧图像的深度值，R和T分别表示所述相机姿态预测子网络的姿态矩阵中的旋转矩阵和平移矩阵；R_t-1→t和T_t-1→t分别表示相机从第t-1帧图像到第t帧图像的旋转矩阵和平移矩阵；

所述第二合成函数为：

其中，

表示第二图像，(U_t(x,y),V_t(x,y))表示第t-1帧图像和第t帧图像之间的光流，(x,y)表示像素坐标。

所述第一损失函数构建单元32，具体用于：

基于所述第一图像和所述目标视图，按照第一预设公式构建所述相机姿态预测子网络的第一损失函数；

其中，所述第一预设公式为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；L_T为第一损失函数，表示通过第t-1帧图像推导出的第t帧图像与摄像机获取的第t帧图像之间的2范数，

为第一图像，表示通过第t-1帧图像推导出的第t帧图像。

所述第二损失函数构建单元33，具体用于：

基于所述第二图像和所述目标视图，按照第二预设公式构建所述深度图预测子网络的第二损失函数；

其中，所述第二预设公式为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；L_D表示第二损失函数，为通过光流获取的第t帧图像与摄像机获取的第t帧图像之间的2范数，

为第二图像，表示通过光流获取的第t帧图像。

具体的，所述神经网络训练单元34，包括：

第一训练子单元，用于通过所述第一损失函数，对所述相机姿态预测子网络的各个参数进行调整以优化所述相机姿态预测子网络的姿态矩阵；

第二训练子单元，用于通过所述第二损失函数，对所述深度图预测子网络的各个参数进行调整以优化所述深度图预测子网络输出的深度图像，并将所述深度图像输入至所述相机姿态预测子网络以对所述相机姿态预测子网络的各个参数进行调整。

所述终端设备4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，系统或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用于场景识别的神经网络的训练方法，其特征在于，所述方法包括：

根据源视图，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，所述源视图为序列图像中的任意一帧图像，所述目标视图为与所述源视图相邻的下一帧图像；

基于所述第一图像和所述目标视图，构建所述相机姿态预测子网络的第一损失函数；

基于所述第二图像和所述目标视图，构建所述深度图预测子网络的第二损失函数；

基于所述第一损失函数和所述第二损失函数，对所述神经网络进行训练以使得所述神经网络能够识别各种场景；

所述根据源视图，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像的步骤，包括：

根据所述源视图和第一合成函数，通过所述相机姿态预测子网络合成与所述目标视图接近的第一图像；

根据所述源视图和第二合成函数，通过所述深度图预测子网络合成与所述目标视图接近的第二图像；

其中，所述第一合成函数为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；

表示第一图像；P为投影函数，表示为P～K·(R,T)D_t-1K^-1，其中K表示相机内参，D_t-1表示t-1帧图像的深度值，R和T分别表示所述相机姿态预测子网络的姿态矩阵中的旋转矩阵和平移矩阵；R_t-1→t和T_t-1→t分别表示相机从第t-1帧图像到第t帧图像的旋转矩阵和平移矩阵；

所述第二合成函数为：

其中，

表示第二图像，(U_t(x,y),V_t(x,y))表示第t-1帧图像和第t帧图像之间的光流，(x,y)表示像素坐标，像素(x,y)处相邻两帧图像I_t-1和I_t的光流U，V表示为：(U_t(x,y),V_t(x,y))＝(x_t-x_t-1，y_t-y_t-1)。

2.如权利要求1所述的方法，其特征在于，所述基于所述第一图像和所述目标视图，构建所述相机姿态预测子网络的第一损失函数的步骤，包括：

基于所述第一图像和所述目标视图，按照第一预设公式构建所述相机姿态预测子网络的第一损失函数；

其中，所述第一预设公式为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；L_T为第一损失函数，表示通过第t-1帧图像推导出的第t帧图像与摄像机获取的第t帧图像之间的2范数，

为第一图像，表示通过第t-1帧图像推导出的第t帧图像。

3.如权利要求1所述的方法，其特征在于，所述基于所述第二图像和所述目标视图，构建所述深度图预测子网络的第二损失函数的步骤，包括：

基于所述第二图像和所述目标视图，按照第二预设公式构建所述深度图预测子网络的第二损失函数；

其中，所述第二预设公式为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；L_D表示第二损失函数，为通过光流获取的第t帧图像与摄像机获取的第t帧图像之间的2范数，

为第二图像，表示通过光流获取的第t帧图像。

4.如权利要求1所述的方法，其特征在于，所述基于所述第一损失函数和所述第二损失函数，对所述神经网络进行训练的步骤，包括：

通过所述第一损失函数，对所述相机姿态预测子网络的各个参数进行调整以优化所述相机姿态预测子网络的姿态矩阵；

通过所述第二损失函数，对所述深度图预测子网络的各个参数进行调整以优化所述深度图预测子网络输出的深度图像，并将所述深度图像输入至所述相机姿态预测子网络以对所述相机姿态预测子网络的各个参数进行调整。

5.一种用于场景识别的神经网络的训练装置，其特征在于，所述装置包括：

图像合成单元，用于根据源视图，分别通过所述神经网络的相机姿态预测子网络和深度图预测子网络，合成与目标视图接近的第一图像和第二图像，所述源视图为序列图像中的任意一帧图像，所述目标视图为与所述源视图相邻的下一帧图像；

第一损失函数构建单元，用于基于所述第一图像和所述目标视图，构建所述相机姿态预测子网络的第一损失函数；

第二损失函数构建单元，用于基于所述第二图像和所述目标视图，构建所述深度图预测子网络的第二损失函数；

神经网络训练单元，用于基于所述第一损失函数和所述第二损失函数，对所述神经网络进行训练以使得所述神经网络能够识别各种场景；

所述图像合成单元包括：

第一图像合成子单元，用于根据所述源视图和第一合成函数，通过所述相机姿态预测子网络合成与所述目标视图接近的第一图像；

第二图像合成子单元，用于根据所述源视图和第二合成函数，通过所述深度图预测子网络合成与所述目标视图接近的第二图像；

其中，所述第一合成函数为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；

表示第一图像；P为投影函数，表示为P～K·(R,T)D_t-1K^-1，其中K表示相机内参，D_t-1表示t-1帧图像的深度值，R和T分别表示所述相机姿态预测子网络的姿态矩阵中的旋转矩阵和平移矩阵；R_t-1→t和T_t-1→t分别表示相机从第t-1帧图像到第t帧图像的旋转矩阵和平移矩阵；

所述第二合成函数为：

其中，

表示第二图像，(U_t(x,y),V_t(x,y))表示第t-1帧图像和第t帧图像之间的光流，(x,y)表示像素坐标，像素(x,y)处相邻两帧图像I_t-1和I_t的光流U，V表示为：(U_t(x,y),V_t(x,y))＝(x_t-x_t-1，y_t-y_t-1)。

6.如权利要求5所述的装置，其特征在于，所述第一损失函数构建单元，具体用于：

基于所述第一图像和所述目标视图，按照第一预设公式构建所述相机姿态预测子网络的第一损失函数；

其中，所述第一预设公式为：

其中，以序列图像为[I₁,I₂,…,I_N]，N为大于1的任意正整数，I_N表示第N个时间点采集的图像；I_t-1为源视图，表示第t-1帧图像，I_t为目标视图，表示第t帧图像，t为大于1小于等于N的任意正整数；L_T为第一损失函数，表示通过第t-1帧图像推导出的第t帧图像与摄像机获取的第t帧图像之间的2范数，

为第一图像，表示通过第t-1帧图像推导出的第t帧图像。

7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述用于场景认知的神经网络训练方法的步骤。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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4任一项所述用于场景认知的神经网络训练方法的步骤。

Images