[发明专利]深度学习网络的训练方法、装置、设备和存储介质

权利要求书

1.一种深度学习网络的训练方法，其特征在于，包括：

获取真值图像以及深度学习网络输出的所述真值图像对应的预测图像；

计算所述真值图像的像素值最大点和所述预测图像的像素值最大点之间的距离；

对所述距离执行归一化处理，得到图像基本损失；

根据所述图像基本损失，确定图像综合损失，所述图像综合损失用于对所述深度学习网络执行训练。

2.根据权利要求1所述的方法，其特征在于，所述根据所述图像基本损失，确定图像综合损失，包括：

将所述图像基本损失，确定为所述图像综合损失；或者，

利用预设的损失函数，确定图像补充损失；计算所述图像基本损失和所述图像补充损失的加权和，将所述加权和确定为所述图像综合损失。

3.根据权利要求1或2所述的方法，其特征在于，

所述真值图像为真值热度图；所述预测图像为预测热度图；

所述获取真值图像以及深度学习网络输出的所述真值图像对应的预测图像，包括：

获取同一个图像对应的多个真值热度图以及深度学习网络输出的每个真值热度图对应的预测热度图；或者，

获取多个图像中每个图像对应的多个真值热度图以及深度学习网络输出的每个真值热度图对应的预测热度图。

4.根据权利要求3所述的方法，其特征在于，所述计算所述真值图像的像素值最大点和所述预测图像的像素值最大点之间的距离，包括：

确定各个真值热度图的像素值最大点的坐标，以及各个预测热度图的像素值最大点的坐标；

根据所述各个真值热度图的像素值最大点的坐标，以及所述各个预测热度图的像素值最大点的坐标，计算相互对应的真值热度图和预测热度图的像素值最大点之间的距离。

5.根据权利要求4所述的方法，其特征在于，如果获取同一个图像对应的多个真值热度图以及深度学习网络输出的每个真值热度图对应的预测热度图，则所述对所述距离执行归一化处理，得到图像基本损失，包括：

其中，HM_HMPD_loss为所述图像基本损失，d_i为第i组相互对应的真值热度图和预测热度图的像素值最大点之间的距离，k为热度图数量，真值热度图和预测热度图的k相等，m为热度图宽度，n为热度图高度，所有真值热度图和所有预测热度图的m相等并且n相等。

6.根据权利要求4所述的方法，其特征在于，如果获取多个图像中每个图像对应的多个真值热度图以及深度学习网络输出的每个真值热度图对应的预测热度图，则所述对所述距离执行归一化处理，得到图像基本损失，包括：

其中，HM_HMPD_loss为所述图像基本损失，为第j个图像对应的第i组相互对应的真值热度图和预测热度图的像素值最大点之间的距离，batch为图像的数量，k为热度图数量，每个图像对应的真值热度图和预测热度图的k相等，m为热度图宽度，n为热度图高度，所有真值热度图和所有预测热度图的m相等并且n相等。

7.一种深度学习网络的训练装置，其特征在于，包括：

获取模块，用于获取真值图像以及深度学习网络输出的所述真值图像对应的预测图像；

计算模块，用于计算所述真值图像的像素值最大点和所述预测图像的像素值最大点之间的距离；

归一化模块，用于对所述距离执行归一化处理，得到图像基本损失；

确定模块，用于根据所述图像基本损失，确定图像综合损失，所述图像综合损失用于对所述深度学习网络执行训练。

8.根据权利要求7所述的装置，其特征在于，所述确定模块，进一步用于：

将所述图像基本损失，确定为所述图像综合损失；或者，

利用预设的损失函数，确定图像补充损失；计算所述图像基本损失和所述图像补充损失的加权和，将所述加权和确定为所述图像综合损失。