[發明專利]圖像預測方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202010619576.1
• 申請日: 2020-07-01
• 公開（公告）號: CN111612105A
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 周康明;姚廣
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 李鵬

本申請涉及一種圖像預測方法、裝置、計算機設備和存儲介質。所述方法包括：獲取待測圖像序列；待測圖像序列中包括至少兩個待測圖像；將待測圖像序列輸入預設的圖像預測模型，得到預測圖像序列；其中，圖像預測模型為根據預設的損失函數訓練得到的，預設的損失函數為根據標準圖像序列和樣本預測圖像序列之間的圖像損失值，調整各子函數的權重后得到的。采用本方法能夠通過調整圖像預測模型的損失函數各子函數的權重，得到比較準確地損失函數對預設的圖像預測模型進行準確地訓練，提高了得到的圖像預測模型的準確度，進而可以根據得到的準確度較高的圖像預測模型，得到準確地預測圖像序列，從而提高了得到的預測圖像序列的一致性。

技術領域

本申請涉及圖像預測技術領域，特別是涉及一種圖像預測方法、裝置、計算機設備和存儲介質。

背景技術

隨著機器學習技術的發展，機器學習在各行各業的應用方面取得了很大的進步，其中基于大數據的深度學習是機器學習領域中的一個新的方向。

深度學習中的循環神經網絡是一類以序列數據為輸入，在序列的演進方向進行遞歸且所有節點按鏈式連接的遞歸神經網絡。循環神經網絡具有記憶性、參數共享并且圖靈完備，因此在對序列的非線性特征進行學習時具有一定的優勢，在一些圖片序列預測的任務中有著非常亮眼的表現。

但是，循環神經網絡在處理這些序列生成任務時，存在生成的圖像序列一致性較差的問題。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高生成的圖像序列一致性的圖像預測方法、裝置、計算機設備和存儲介質。

一種圖像預測方法，所述方法包括：

獲取待測圖像序列；所述待測圖像序列中包括至少兩個待測圖像；

將所述待測圖像序列輸入預設的圖像預測模型，得到預測圖像序列；其中，所述圖像預測模型為根據預設的損失函數訓練得到的，所述預設的損失函數為根據標準圖像序列和樣本預測圖像序列之間的圖像損失值，調整各子函數的權重后得到的。

在其中一個實施例中，所述圖像預測模型的訓練方法包括：

將樣本圖像序列輸入預設的待訓練圖像預測模型，得到樣本預測圖像序列；

根據標準圖像序列和所述樣本預測圖像序列之間的圖像損失值，調整所述待訓練圖像預測模型的損失函數中各子函數的權重；

并根據調整后的損失函數的值對所述待訓練圖像預測模型進行訓練，得到所述圖像預測模型。

在其中一個實施例中，所述根據調整后的損失函數的值對所述待訓練圖像預測模型進行訓練，得到所述圖像預測模型，包括：

根據所述調整后的損失函數的值，對所述待訓練圖像預測模型的參數進行調整，得到新的待訓練圖像預測模型；

將所述新的待訓練圖像預測模型作為預設的待訓練圖像預測模型，并返回執行所述將樣本圖像序列輸入預設的待訓練圖像預測模型，得到樣本預測圖像序列的步驟，直至達到預設的收斂條件時得到所述圖像預測模型。

在其中一個實施例中，所述預設的收斂條件包括所述調整后的損失函數的值達到穩定值或達到預設的迭代次數。

在其中一個實施例中，所述根據標準圖像序列和所述樣本預測圖像序列之間的圖像損失值，調整所述待訓練圖像預測模型的損失函數中各子函數的權重，包括：

獲取所述樣本預測圖像序列中每個樣本預測圖像與對應的標準預測圖像之間的圖像損失值；

根據所述每個樣本預測圖像與對應的標準預測圖像之間的圖像損失值，調整所述損失函數中對應子函數的權重。

在其中一個實施例中，所述圖像損失值越大，對應的子函數的權重越大。