[發明專利]一種損失函數獲取方法、計算機可讀存儲介質及電子設備

有效

• 申請號: 202110468959.8
• 申請日: 2021-04-28
• 公開（公告）號: CN113128444B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 唐得志;石先讓;肖飛;韋圣兵;王磊;秦玉林
• 申請（專利權）人: 奇瑞汽車股份有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/25;G06V10/82;G06N3/04
• 代理公司: 蕪湖安匯知識產權代理有限公司 34107
• 代理人: 鐘雪

本發明涉及車輛環境感知技術領域，提供了一種損失函數獲取方法，包括：S1、獲取目標框參數的預測值，輸入構建的損失函數模型，損失函數模型為：S2、基于目標框參數的預測值與期望值的接近程度來調節損失函數模型中的損失函數系數A及損失函數冪指數α；S3、損失函數模型輸出參數預測值對應的損失函數；z表示目標框參數的預測值，表示目標框參數的期望值。本發明主要通過采用簡單快速的絕對值冪指數的式定義深度學習的損失函數，并根據學習過程中的期望模型與實際模型的差值，動態定義損失函數的相關冪指數和系數，加快深度學習的收斂速度，以及提高收斂精度，并有效防止模型的過擬合學習和梯度消失現象。

技術領域

本發明涉及到車輛環境感知技術領域，提供了一種損失函數獲取方法、計算機可讀存儲介質及電子設備。

背景技術

隨著汽車技術的發展，對于汽車安全性的追求和環境的保護，智能汽車的研究近些年逐漸受到廣泛的關注，作為智能汽車研究的高級目標，智能汽車自動駕駛技術可以將駕駛員從繁雜的操作中解放出來，降低因人為原因造成的交通事故發生率，對于智能汽車自動駕駛技術可分為環境感知技術、路徑規劃與決策技術以及運動控制技術，其中對外部環境的準確、實時感知是智能汽車實現高精度定位、路徑規劃、決策和運動控制的關鍵技術。單目攝像頭由于具備結構簡單和成本低等優點而被廣泛使用。由于傳統單目視覺環境感知算法主要依靠先驗知識來設計模型，因此這類算法的泛化能力不強。而基于深度學習的單目視覺環境感知算法生成的模型卻可以適用于多類目標，泛化能力得到顯著提升，損失函數是影響深度學習模型實時性和準確性的重要的技術，通過對預測樣本和真實樣本標記產生的誤差反向傳播指導網絡參數學習，簡潔合理的損失函數能極大的提升深度學習的算法效率

相關技術中，采用均方誤差(MSE)損失函數、交叉熵損失函數(cross entropy)、合頁損失函數(hinge loss)和平滑L1損失函數等，均方誤差(MSE)損失函數易受到樣本中大的值的影響且在誤差較小時收斂速度慢，從而降低算法學習的準確性，合頁損失函數的設計對噪聲非常敏感，從而降低模型的泛化能力，平滑L1損失函數在目標檢測中計算目標框重疊度(IOU)時很難有效利用損失函數值來分類，因此很有必要基于深度學習算法架構提出新的損失函數形式，有效解決傳統損失函數存在的收斂速度慢、穩態精度低等問題，提高深度學習的效率。

發明內容

本發明提供了一種損失函數獲取方法，旨在改善上述問題。

本發明是這樣是實現的，一種損失函數獲取方法，所述損失函數用于深度學習，所述方法包括：

S1、獲取目標框參數的預測值，輸入構建的損失函數模型，損失函數模型為：

S2、基于目標框參數的預測值與期望值的接近程度來調節損失函數模型中的損失函數系數A及損失函數冪指數α；

S3、損失函數模型輸出參數預測值對應的損失函數；

Z_loss表示損失函數，z表示目標框參數的預測值，表示目標框參數的期望值，A是損失函數系數，α是損失函數冪指數。

進一步的，損失函數系數A及損失函數冪指數α的調節方法具體如下：

當e≥10時，A＝1，α＝1；

當1≤e＜10時，α＝2；

當0.1≤e＜1時，A＝2，

當e＜0.1時，A＝3，

進一步的，目標框參數為目標檢測中目標框的中心坐標和大小值及目標框的屬性。

進一步的，當目標框參數為目標框中心坐標和大小時，所述損失函數模型為：