CN111783986B - 网络训练方法及装置、姿态预测方法及装置 - Google Patents
网络训练方法及装置、姿态预测方法及装置 Download PDFInfo
- Publication number
- CN111783986B CN111783986B CN202010638037.2A CN202010638037A CN111783986B CN 111783986 B CN111783986 B CN 111783986B CN 202010638037 A CN202010638037 A CN 202010638037A CN 111783986 B CN111783986 B CN 111783986B
- Authority
- CN
- China
- Prior art keywords
- prediction
- image
- dimensional
- gesture
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种网络训练方法及装置、姿态预测方法及装置，所述方法包括：通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，所述预测姿态信息包括三维旋转信息和三维平移信息；根据所述目标对象对应的预测姿态信息及所述目标对象对应的三维模型进行可微分渲染操作，得到所述目标对象对应的可微分渲染信息；根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的自监督训练总损失；根据所述自监督训练总损失训练所述姿态预测网络,本公开实施例可实现提高姿态预测网络的精度。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种网络训练方法及装置、姿态预测方法及装置。
背景技术
从二维(2D)图像中获取物体在三维(3D)空间中的六维(6D)姿态(即3个自由度的旋转和3个自由度的平移)在很多现实应用中非常关键，例如为机器人的抓取或者运动规划等任务提供关键的信息；在无人驾驶中，得到车辆和行人的6D姿态可为车辆提供驾驶决策信息。
近年来，深度学习在6D姿态估计任务上取得了比较大的进展，然而，只用单目的RGB(red\green\blue，红\绿\蓝)图像来估计物体的6D姿态仍然是非常有挑战性的任务。其中一个重要原因就是深度学习所需要的数据量非常大，而6D物体姿态估计的真实标注数据在获取上非常复杂，非常费时费力。
发明内容
本公开提出了一种训练神经网络的自监督训练技术方案。
根据本公开的一方面，提供了一种网络训练方法，包括：
通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，所述预测姿态信息包括三维旋转信息和三维平移信息；
根据所述目标对象对应的预测姿态信息及所述目标对象对应的三维模型进行可微分渲染操作，得到所述目标对象对应的可微分渲染信息；
根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的自监督训练总损失；
根据所述自监督训练总损失训练所述姿态预测网络。
在一种可能的实现方式中，所述目标对象对应的可微分渲染信息包括：渲染分割掩码、渲染二维图像、渲染深度图像，
所述根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的自监督训练总损失，包括：
根据所述二维样本图像及所述渲染二维图像，确定第一自监督训练损失；
根据所述预测分割掩码及所述渲染分割掩码，确定第二自监督训练损失；
根据所述二维样本图像对应的深度图像与所述渲染深度图像，确定第三自监督训练损失；
根据所述第一自监督训练损失、所述第二自监督训练损失及所述第三自监督训练损失，确定所述姿态预测网络的自监督训练总损失。
在一种可能的实现方式中，所述根据所述二维样本图像及所述渲染二维图像，确定第一自监督训练损失，包括：
分别将所述二维样本图像及所述渲染二维图像转换为颜色模型LAB模式后，根据转换模式后的二维样本图像、转换模式后的渲染二维图像及所述预测分割掩码，采用第一损失函数确定第一图像损失；
根据所述二维样本图像、所述渲染二维图像及所述预测分割掩码，采用第二损失函数确定第二图像损失，所述第二损失函数为基于多尺度结构相似性指标的损失函数；
根据所述二维样本图像、所述渲染二维图像及所述预测分割掩码，采用第三损失函数确定第三图像损失，所述第三损失函数为基于深度卷积神经网络的多尺度特征距离的损失函数；
根据所述第一图像损失、所述第二图像损失及所述第三图像损失，确定所述第一自监督训练损失。
在一种可能的实现方式中，所述根据所述预测分割掩码及所述渲染分割掩码，确定第二自监督训练损失，包括：
根据所述预测分割掩码及所述渲染分割掩码，采用交叉熵损失函数确定第二自监督训练损失。
在一种可能的实现方式中，所述根据所述二维样本图像对应的深度图像与所述渲染深度图像，确定第三自监督训练损失，包括：
分别对所述二维样本图像对应的深度图像与所述渲染深度图像进行逆投影操作，得到所述深度图像对应的点云信息及所述渲染深度图像对应的点云信息；
根据所述深度图像对应的点云信息及所述渲染深度图像对应的点云信息，确定第三自监督训练损失。
在一种可能的实现方式中，所述姿态预测网络包括：类别预测子网络、边界框预测子网络、和姿态预测子网络，
所述通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，包括：
通过所述类别预测子网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的类别信息；
通过所述边界框预测子网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的边界框信息；
通过所述姿态预测子网络对所述二维样本图像、所述类别信息及所述边界框信息进行处理，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息。
在一种可能的实现方式中，在所述通过姿态预测网络对二维样本图像进行预测之前，所述方法还包括：
根据物体的三维模型及预设姿态信息进行渲染合成操作，得到合成二维图像及所述合成二维图像的标注信息，所述合成二维图像的标注信息包括标注物体类别信息、标注边界框信息、预设姿态信息及预设合成分割掩码；
通过所述姿态预测网络对所述合成二维图像进行预测，得到所述合成二维图像的预测信息，所述预测信息包括预测物体类别信息、预测边界框信息、预测合成分割掩码及预测合成姿态信息；
根据所述预测信息及所述合成二维图像的标注信息，训练所述姿态预测网络。
根据本公开的一方面，提供了一种姿态预测方法，所述方法包括：
通过姿态预测网络对待处理图像进行预测处理，得到所述待处理图像中目标对象的姿态信息，
其中，所述姿态预测网络为采用权利要求1至7中任一项所述的网络训练方法训练得到。
根据本公开的一方面，提供了一种网络训练装置，包括：
预测模块，用于通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，所述预测姿态信息包括三维旋转信息和三维平移信息；
渲染模块，用于根据所述目标对象对应的预测姿态信息及所述目标对象对应的三维模型进行可微分渲染操作，得到所述目标对象对应的可微分渲染信息；
确定模块，用于根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的自监督训练总损失；
自监督训练模块，用于根据所述自监督训练总损失训练所述姿态预测网络。
在一种可能的实现方式中，所述目标对象对应的可微分渲染信息包括：渲染分割掩码、渲染二维图像、渲染深度图像，所述确定模块，还用于：
根据所述二维样本图像及所述渲染二维图像，确定第一自监督训练损失；
根据所述预测分割掩码及所述渲染分割掩码，确定第二自监督训练损失；
根据所述二维样本图像对应的深度图像与所述渲染深度图像，确定第三自监督训练损失；
根据所述第一自监督训练损失、所述第二自监督训练损失及所述第三自监督训练损失，确定所述姿态预测网络的自监督训练总损失。
在一种可能的实现方式中，所述确定模块，还用于：
分别将所述二维样本图像及所述渲染二维图像转换为颜色模型LAB模式后，根据转换模式后的二维样本图像、转换模式后的渲染二维图像及所述预测分割掩码，采用第一损失函数确定第一图像损失；
根据所述二维样本图像、所述渲染二维图像及所述预测分割掩码，采用第二损失函数确定第二图像损失，所述第二损失函数为基于多尺度结构相似性指标的损失函数；
根据所述二维样本图像、所述渲染二维图像及所述预测分割掩码，采用第三损失函数确定第三图像损失，所述第三损失函数为基于深度卷积神经网络的多尺度特征距离的损失函数；
根据所述第一图像损失、所述第二图像损失及所述第三图像损失，确定所述第一自监督训练损失。
在一种可能的实现方式中，所述确定模块，还用于：
根据所述预测分割掩码及所述渲染分割掩码，采用交叉熵损失函数确定第二自监督训练损失。
在一种可能的实现方式中，所述确定模块，还用于：
分别对所述二维样本图像对应的深度图像与所述渲染深度图像进行逆投影操作，得到所述深度图像对应的点云信息及所述渲染深度图像对应的点云信息；
根据所述深度图像对应的点云信息及所述渲染深度图像对应的点云信息，确定第三自监督训练损失。
在一种可能的实现方式中，所述姿态预测网络包括：类别预测子网络、边界框预测子网络、和姿态预测子网络，所述预测模块还用于：
通过所述类别预测子网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的类别信息；
通过所述边界框预测子网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的边界框信息；
通过所述姿态预测子网络对所述二维样本图像、所述类别信息及所述边界框信息进行处理，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息。
在一种可能的实现方式中，所述装置还包括：
预训练模块，用于根据物体的三维模型及预设姿态信息进行渲染合成操作，得到合成二维图像及所述合成二维图像的标注信息，所述合成二维图像的标注信息包括标注物体类别信息、标注边界框信息、预设姿态信息及预设合成分割掩码；
通过所述姿态预测网络对所述合成二维图像进行预测，得到所述合成二维图像的预测信息，所述预测信息包括预测物体类别信息、预测边界框信息、预测合成分割掩码及预测合成姿态信息；
根据所述预测信息及所述合成二维图像的标注信息，训练所述姿态预测网络。
根据本公开的一方面，提供了一种姿态预测装置，所述装置包括：
预测模块，用于通过姿态预测网络对待处理图像进行预测处理，得到所述待处理图像中目标对象的姿态信息，
其中，所述姿态预测网络为采用前述中任一项所述的网络训练方法训练得到。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
这样，可以通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，所述预测姿态信息包括三维旋转信息和三维平移信息，并根据所述目标对象对应的预测姿态信息及所述目标对象对应的三维模型进行可微分渲染操作，得到所述目标对象对应的可微分渲染信息。根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的训自监督练总损失，并根据所述自监督训练总损失训练所述姿态预测网络。根据本公开实施例提供的网络训练方法及装置、姿态预测方法及装置，通过对没有标注信息的二维样本图像和深度图像上自监督地训练姿态预测网络，能够在提高姿态预测网络的精准度的同时，提高姿态预测网络的训练效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的网络训练方法的流程图；
图2示出根据本公开实施例的网络训练方法的示意图；
图3示出根据本公开实施例的网络训练方法的示意图；
图4示出根据本公开实施例的网络训练方法的示意图；
图5示出根据本公开实施例的网络训练装置的框图；
图6示出根据本公开实施例的一种电子设备800的框图；
图7示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
相关技术在训练用于进行物体姿态估计的神经网络时，通常利用已知物体的三维模型，通过渲染的方式得到大量合成数据，然后通过合成数据训练该神经网络。然而合成数据与真实数据之间存在着很大的领域差距，因此仅在合成数据上训练的结果往往精度不高，不能令人满意，领域自适应或者领域随机化等手段对该问题的效果也很有限。
本公开实施例提供了一种网络的自监督训练方法，通过真实的二维样本图像和深度图像自监督地训练姿态预测网络，可以提高姿态预测网络的预测精准度。
图1示出根据本公开实施例的网络训练方法的流程图，在一种可能的实现方式中，所述网络训练方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
如图1所示，所述网络训练方法包括：
在步骤S11中，通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，所述预测姿态信息包括三维旋转信息和三维平移信息。
举例来说，姿态预测网络为预测目标对象的6D姿态的神经网络，其可以应用于“机器人作业”、“自动驾驶”、“增强现实”等领域。上述二维样本图像可以为包括目标对象的图像，该目标对象可以为任一对象，例如：人脸、人体、动物、植物、物体等对象。
可以将二维样本图像输入姿态预测网络进行预测，得到该二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，其中预测分割掩码中任一像素点的像素值用于标识该像素点是否为样本二维图像中目标对象中的像素点，例如：像素值为1时，标识该像素点为目标对象上的像素点，像素值为0时，标识该像素点不是目标对象上的像素点。其中预测姿态信息可以包括目标对象在三个维度上的三维旋转信息R，可以用四元数表示，以及目标对象在三个维度上的三维平移信息t(tx，ty，tz)。
在步骤S12中，根据所述目标对象对应的预测姿态信息及所述目标对象对应的三维模型进行可微分渲染操作，得到所述目标对象对应的可微分渲染信息。
举例来说，可以对二维样本图像进行检测，确定二维样本图像中目标对象所对应的三维模型，并根据上述目标对象对应的预测姿态信息及目标对象对应的三维模型，通过可微分的渲染器进行渲染操作，得到目标对象对应的可微分渲染信息，该可微分渲染信息可以包括渲染分割掩码，渲染二维图像和渲染深度图像。
在步骤S13中，根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的自监督训练总损失。
举例来说，可以通过二维样本图像、预测分割掩码及二维样本图像对应的深度图像，与通过预测姿态信息进行渲染得到的可微分渲染信息进行视觉一致性约束及几何一致性约束，得到姿态训练网络的自监督训练总损失。
在步骤S14中，根据所述自监督训练总损失训练所述姿态预测网络。
举例来说，可以根据自监督训练总损失调整姿态预测网络的参数，直至自监督训练总损失满足训练要求，完成姿态预测网络的自监督训练。
这样，可以通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，所述预测姿态信息包括三维旋转信息和三维平移信息，并根据所述目标对象对应的预测姿态信息及所述目标对象对应的三维模型进行可微分渲染操作，得到所述目标对象对应的可微分渲染信息。根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的训练总损失，并根据所述自监督训练总损失训练所述姿态预测网络。根据本公开实施例提供的网络训练方法，通过没有标注信息的二维样本图像和深度图像自监督地训练姿态预测网络，能够在提高姿态预测网络的精准度的同时，提高姿态预测网络的训练效率。
在一种可能的实现方式中，所述目标对象对应的可微分渲染信息可以包括：渲染分割掩码、渲染二维图像、渲染深度图像，所述根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的训练总损失，可以包括：
根据所述二维样本图像及所述渲染二维图像，确定第一自监督训练损失；
根据所述预测分割掩码及所述渲染分割掩码，确定第二自监督训练损失；
根据所述二维样本图像对应的深度图像与所述渲染深度图像，确定第三自监督训练损失；
根据所述第一自监督训练损失、所述第二自监督训练损失及所述第三自监督训练损失，确定所述姿态预测网络的自监督训练总损失。
举例来说，上述渲染分割掩码可以为渲染得到的掩码图像，该渲染分割掩码中任一像素点的像素值用于标识该像素点是否为样本二维图像中目标对象中的像素点。渲染二维图像可以为通过目标对象的三维模型及预测姿态信息得到的二维图像，渲染深度图像可以为通过目标对象的三维模型及预测姿态信息得到的深度图像，渲染过程可以通过相关技术的渲染器(例如软栅格化渲染引擎(Soft-Rasterizer))进行完成，本公开实施例对此不再赘述。
可以建立二维样本图像及渲染二维图像之间的视觉一致性约束，建立预测分割掩码与所述渲染分割掩码之间的视觉一致性约束，建立二维样本图像对应的深度图像与所述渲染深度图像之间的几何一致性约束，通过优化视觉一致性和几何一致性这两种自监督约束，从而优化姿态预测网络。
姿态预测网络的训练总损失包括通过视觉一致性约束确定的损失和通过几何一致性约束确定的损失，其中，通过视觉一致性约束确定的损失包括第一训练损失和第二训练损失，通过几何一致性约束确定的损失包括第三训练损失，姿态预测网络的自监督训练总损失可以通过以下公式(一)确定。
Lself＝Lvisual+ηLgeom 公式(一)
其中，Lself表示自监督训练总损失，Lvisual表示通过视觉一致性约束确定的损失，Lgeom表示通过几何一致性约束确定的损失，也即Lvisual＝第一自监督训练损失+第二自监督训练损失，Lgeom＝第三自监督训练损失，η表示第三自监督训练损失的权重。
在一种可能的实现方式中，所述根据所述二维样本图像及所述渲染二维图像，确定第一自监督训练损失，可以包括：
分别将所述二维样本图像及所述渲染二维图像转换为颜色模型LAB模式后，根据转换模式后的二维样本图像、转换模式后的渲染二维图像及所述预测分割掩码，采用第一损失函数确定第一图像损失；
根据所述二维样本图像、所述渲染二维图像及所述预测分割掩码，采用第二损失函数确定第二图像损失，所述第二损失函数为基于多尺度结构相似性指标的损失函数；
根据所述二维样本图像、所述渲染二维图像及所述预测分割掩码，采用第三损失函数确定第三图像损失，所述第三损失函数为基于深度卷积神经网络的多尺度特征距离的损失函数；
根据所述第一图像损失、所述第二图像损失及所述第三图像损失，确定所述第一自监督训练损失。
举例来说，可以采用三种损失函数确定第一自监督训练损失。
第一损失函数是将二维样本图像及渲染二维图像分别转换到LAB(CIELab colormodel，LAB颜色模型)模式，并将转换为LAB模式后的二维样本图像及渲染二维图像丢弃亮度L通道后，计算两者间的1范数距离为第一图像损失，第一损失函数可以参照以下公式(二)。
其中，Lab可表示第一图像损失，Mp表示预测分割掩码，N+可以表示预测分割掩码中像素值大于0的区域，ρ可以表示颜色空间变换操作，IS可以表示二维样本图像，IR可以表示渲染二维图像，表示预测分割掩码中第j个像素点。
第二损失函数是基于MS-SSIM(Multi-Scale-Structural Similarity Index，多尺度相似性指标)的损失函数，第二损失函数可以参照以下公式(三)。
Lms-ssim＝1-ms-ssim(IS⊙MP,IR,S) 公式(三)
其中，Lms-ssim可以表示第二图像损失，ms-ssim表示多尺度相似性指标函数，⊙表示逐元素乘法，S为所采用的尺度数量，示例性的，S可以取值为5。
第三损失函数是基于深度卷积神经网络的感知度量损失函数，可以利用预训练的深度卷积神经网络分别提取二维样本图像和渲染二维图像不同层的特征，求解二维样本图像及渲染二维图像归一化后的特征之间的平均2范数距离，作为第三图像损失，第三损失函数可以参照下述公式(四)。
其中，Lperceptual表示第三图像损失，L为所取得特征的总层数，l可以表示层序号，可以表示归一化的特征，Nl是第l层特征的集合，|Nl|是第l层特征的个数，示例性的，L可以取值为5。
第一图像损失、第二图像损失及第三图像损失加权求和即得到第一自监督训练损失。
在一种可能的实现方式中，上述根据所述预测分割掩码及所述渲染分割掩码，确定第二自监督训练损失，可以包括：
根据所述预测分割掩码及所述渲染分割掩码，采用交叉熵损失函数确定第二自监督训练损失。
举例来说，由于预测分割掩码的缺陷性，预测分割掩码与渲染分割掩码的一致性约束采用一种将正负区域权重重新调整的交叉熵损失函数，可以参照下述公式(五)。
其中，Lmask表示第二自监督训练损失，MR表示渲染分割掩码，N-可以表示预测分割掩码中像素值等于0的区域，表示渲染分割掩码中第j个像素点。
在一种可能的实现方式中，所述根据所述二维样本图像对应的深度图像与所述渲染深度图像，确定第三自监督训练损失，可以包括：
分别对所述二维样本图像对应的深度图像与所述渲染深度图像进行逆投影操作，得到所述深度图像对应的点云信息及所述渲染深度图像对应的点云信息；
根据所述深度图像对应的点云信息及所述渲染深度图像对应的点云信息，确定第三自监督训练损失。
举例来说，可以分别将二维样本图像对应的深度图像与渲染深度图像经过逆投影操作转化为相机坐标系下的点云信息，对二维样本图像对应的深度图像与渲染深度图像对应的点云信息建立几何一致性约束，示例性的，通过点云信息之间的倒角(chamfer)距离建立几何一致性约束。其中，逆投影操作可以参照下述公式(六)，倒角(chamfer)距离的计算可以参照公式(七)。
其中，D可以表示深度图像(二维样本图像对应的深度图像或渲染深度图像)，M可以表示分割掩码(预测分割掩码或者渲染分割掩码)，K可以表示相机内部参数，xj和yj可以表示第j个像素点的二维坐标。
其中，pS可以表示二维样本图像对应的深度图像对应的点云信息，pR可以表示渲染深度图像对应的点云信息，Lgeom可以表示第三自监督训练损失。
也即，可以通过下述公式(八)计算网络总损失：
Lself＝Lmask+αLab+βLms-ssin+γLperceptual+ηLgeom 公式(八)
其中，α、β、γ分别为第一图像损失、第二图像损失和第三图像损失的权重，例如：α＝0.2、β＝1，γ＝0.15。
在得到自监督网络训练总损失后，可以根据自监督网络训练总损失训练姿态预测网络，示例性的，姿态预测网络的自监督训练过程可以参照图2。
在一种可能的实现方式中，所述姿态预测网络包括：类别预测子网络、边界框预测子网络、和姿态预测子网络，
所述通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，可以包括：
通过所述类别预测子网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的类别信息；
通过所述边界框预测子网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的边界框信息；
通过所述姿态预测子网络对所述二维样本图像、所述类别信息及所述边界框信息进行处理，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息。
举例来说，类别预测子网络和边界框预测子网络可以构建于基于FPN(FeaturePyramid Network,特征金字塔)的检测器上，通过类别预测子网络对二维样本图像进行预测，得到二维样本图像中目标对象的类别信息，并根据边界框预测子网络对二维样本图像进行预测，得到二维样本图像中目标对象对应的边界框信息。将其中检测器提取FPN特征融合，示例性地，可以为将不同FPN层的特征先用1×1卷积从128维降到64维，然后用双线性插值将不同层特征的空间大小上采样或下采样到输入图像的1/8(如输入图片480×640，则统一到60×80)，然后将统一大小的不同层的特征在维度上进行拼接。
融合FPN特征后，将融合的FPN特征与二维样本图像及二维样本图像对应的二维坐标进行拼接后，得到新的特征。将新的特征和边界框信息通过目标检测特殊层(ROI-Align)得到基于每个目标对象的特征，由姿态预测子网络对每个目标对象的特征进行处理，得到目标对象对应的姿态信息和预测分割掩码。
其中，姿态预测子网络可以包括：掩码预测子网络、四元数子网络、2D中心点预测子网络和中心点离相机距离预测子网络，掩码预测子网络输出预测分割掩码，四元数子网络输出三维旋转信息，2D中心点预测子网络输出二维坐标，该二维坐标经变换后与中心点离相机距离预测子网络输出的坐标信息，共同得到目标对象的三维平移信息，该三维平移信息与三维旋转信息组成目标对象的姿态信息，参照图3。
在一种可能的实现方式中，在所述通过姿态预测网络对二维样本图像进行预测之前，所述方法还可以包括：
根据物体的三维模型及预设姿态信息进行渲染合成操作，得到合成二维图像及所述合成二维图像的标注信息，所述合成二维图像的标注信息包括标注物体类别信息、标注边界框信息、预设姿态信息及预设合成分割掩码；
通过所述姿态预测网络对所述合成二维图像进行预测，得到所述合成二维图像的预测信息，所述预测信息包括预测物体类别信息、预测边界框信息、预测合成分割掩码及预测合成姿态信息；
根据所述预测信息及所述合成二维图像的标注信息，训练所述姿态训练网络。
举例来说，在通过二维样本信息自监督训练姿态预测网络之前，可以通过合成的二维图像预训练姿态预测网络。
示例性的，可以通过已知的物体的三维模型和预设姿态信息通过OpenGL(OpenGraphics Library，开放图形库)和基于物理引擎的渲染器得到合成二维图像，在合成过程中可以得到合成二维图像的标注信息，包括标注物体类别信息、标注边界框信息、预设姿态信息及预设合成分割掩码。
通过姿态预测网络对合成二维图像进行处理，得到合成二维图像的预测信息，该预测信息可以包括预测物体类别信息、预测边界框信息、预测合成分割掩码及预测合成姿态信息。
在训练过程中，可以根据预测物体类别信息和标注物体类别信息计算第一损失，根据预测边界框信息和标注边界框信息计算第二损失，根据预测合成分割掩码预和预设合成分割掩码计算第三损失，及根据预测合成姿态信息和预设姿态信息计算第四损失，姿态预测网络的总损失可以包括第一损失、第二损失、第三损失和第四损失，可以通过以下公式(九)确定姿态预测网络的总损失。
Lsynthetic＝λclassLfocal+λboxLgiou+λmaskLbce+λposeLpose 公式(九)
Lsynthetic可以表示姿态预测网络的总损失，Lfocal、Lgiou、Lbce、Lpose分别表示第一损失、第二损失、第三损失及第四损失，其中，表示物体的三维模型M的点x经过预测姿态信息/>和预设姿态信息/>变换后的点之间的平均1范数距离，其中，/>是预测姿态信息中的三维旋转信息，/>是预测姿态信息中的三维平移信息，/>是预设姿态信息中的三维旋转信息，/>是预设姿态信息中的三维平移信息，λclass、λbox、λmask、λpose分别用于表示第一损失、第二损失、第三损失及第四损失的权重，可以取相同的值也可以取不同的值。
在完后根据合成二维图像进行的预训练后，采用二维样本图像自监督训练姿态预测网络时，可以仅训练姿态预测子网络，其他网络不再更新网络参数。
为使本领域技术人员更好的理解本公开实施例，以下通过具体示例对本公开实施例加以说明。
参照图4，姿态预测网络的训练分为两个阶段。
第一阶段，用物体的三维模型通过OpenGL和基于物理引擎的渲染方法生成大量合成二维图像，合成过程中可以得到合成二维图像的标识信息，训练姿态预测网络，输出物体的类别信息、边界框信息、预测分割掩码和姿态信息。
第二阶段，利用未标注的真实二维样本图像，输入该姿态预测网络，得到二维样本图像中目标对象的预测姿态信息和预测分割掩码，将预测姿态信息和目标对象的三维模型输入可微分的渲染器，得到渲染分割掩码、渲染二维图像和渲染深度图像，在渲染分割掩码与预测分割掩码、渲染二维图像与真实二维样本图像之间建立视觉一致性约束，在渲染深度图与二维样本图像对应的深度图像分别对应的点云信息之间建立几何一致性约束，通过优化这两种自监督约束，从而自监督训练姿态预测网络。
本公开实施例提供一种姿态预测方法，包括：
通过姿态预测网络对待处理图像进行预测处理，得到所述待处理图像中目标对象的姿态信息，
其中，所述姿态预测网络为采用前述中任一项所述的网络训练方法训练得到。
举例来说，可以通过前述任一种方法训练得到的姿态预测网络对待处理图像进行预测处理，得到待处理图像中目标对象的姿态信息。
这样，根据本公开实施例提供的姿态预测方法，可以提高姿态预测的精准度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了网络训练装置、姿态预测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种网络训练方法和姿态预测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的网络训练装置的框图，如图5所示，所述装置包括：
预测模块51，可以用于通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，所述预测姿态信息包括三维旋转信息和三维平移信息；
渲染模块52，可以用于根据所述目标对象对应的预测姿态信息及所述目标对象对应的三维模型进行可微分渲染操作，得到所述目标对象对应的可微分渲染信息；
确定模块53，可以用于根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的自监督训练总损失；
自监督训练模块54，可以用于根据所述自监督训练总损失训练所述姿态预测网络。
这样，可以通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，所述预测姿态信息包括三维旋转信息和三维平移信息，并根据所述目标对象对应的预测姿态信息及所述目标对象对应的三维模型进行可微分渲染操作，得到所述目标对象对应的可微分渲染信息。根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的自监督训练总损失，并根据所述自监督训练总损失训练所述姿态预测网络。根据本公开实施例提供的网络训练装置，通过对没有标注信息的二维样本图像和深度图像上自监督地训练姿态预测网络，能够在提高姿态预测网络的精准度的同时，提高姿态预测网络的训练效率。
在一种可能的实现方式中，所述目标对象对应的渲染信息包括：渲染分割掩码、渲染二维图像、渲染深度图像，所述确定模块53，还可以用于：
根据所述二维样本图像及所述渲染二维图像，确定第一自监督训练损失；
根据所述预测分割掩码及所述渲染分割掩码，确定第二自监督训练损失；
根据所述二维样本图像对应的深度图像与所述渲染深度图像，确定第三自监督训练损失；
根据所述第一自监督训练损失、所述第二自监督训练损失及所述第三自监督训练损失，确定所述姿态预测网络的自监督训练总损失。
在一种可能的实现方式中，所述确定模块53，还可以用于：
分别将所述二维样本图像及所述渲染二维图像转换为颜色模型LAB模式后，根据转换模式后的二维样本图像、转换模式后的渲染二维图像及所述预测分割掩码，采用第一损失函数确定第一图像损失；
根据所述二维样本图像、所述渲染二维图像及所述预测分割掩码，采用第二损失函数确定第二图像损失，所述第二损失函数为基于多尺度结构相似性指标的损失函数；
根据所述二维样本图像、所述渲染二维图像及所述预测分割掩码，采用第三损失函数确定第三图像损失，所述第三损失函数为基于深度卷积神经网络的多尺度特征距离的损失函数；
根据所述第一图像损失、所述第二图像损失及所述第三图像损失，确定所述第一自监督训练损失。
在一种可能的实现方式中，所述确定模块53，还可以用于：
根据所述预测分割掩码及所述渲染分割掩码，采用交叉熵损失函数确定第二自监督训练损失。
在一种可能的实现方式中，所述确定模块53，还可以用于：
分别对所述二维样本图像对应的深度图像与所述渲染深度图像进行逆投影操作，得到所述深度图像对应的点云信息及所述渲染深度图像对应的点云信息；
根据所述深度图像对应的点云信息及所述渲染深度图像对应的点云信息，确定第三自监督训练损失。
在一种可能的实现方式中，所述姿态预测网络可以包括：类别预测子网络、边界框预测子网络、和姿态预测子网络，所述预测模块51还可以用于：
通过所述类别预测子网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的类别信息；
通过所述边界框预测子网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的边界框信息；
通过所述姿态预测子网络对所述二维样本图像、所述类别信息及所述边界框信息进行处理，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息。
在一种可能的实现方式中，所述装置还可以包括：
预训练模块，可以用于根据物体的三维模型及预设姿态信息进行渲染合成操作，得到合成二维图像及所述合成二维图像的标注信息，所述合成二维图像的标注信息包括标注物体类别信息、标注边界框信息、预设姿态信息及预设合成分割掩码；
通过所述姿态预测网络对所述合成二维图像进行预测，得到所述合成二维图像的预测信息，所述预测信息包括预测物体类别信息、预测边界框信息、预测合成分割掩码及预测合成姿态信息；
根据所述预测信息及所述合成二维图像的标注信息，训练所述姿态预测网络。
根据本公开的一方面，提供了一种姿态预测装置，所述装置可以包括：
预测模块，用于通过姿态预测网络对待处理图像进行预测处理，得到所述待处理图像中目标对象的姿态信息，
其中，所述姿态预测网络为采用前述中任一项所述的网络训练方法训练得到。
这样，根据本公开实施例提供的姿态预测装置，可以提高姿态预测的精准度。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的网络训练方法和姿态预测方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的网络训练方法和姿态预测方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种网络训练方法，其特征在于，包括：
通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，所述预测姿态信息包括三维旋转信息和三维平移信息；
根据所述目标对象对应的预测姿态信息，对所述目标对象对应的三维模型进行可微分渲染操作，得到所述目标对象对应的可微分渲染信息；所述可微分渲染操作为通过可微分渲染器执行的渲染操作；所述目标对象对应的可微分渲染信息包括：渲染分割掩码、渲染二维图像、渲染深度图像；
根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的自监督训练总损失；
根据所述自监督训练总损失训练所述姿态预测网络。
2.根据权利要求1所述的方法，其特征在于，所述根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的自监督训练总损失，包括：
根据所述二维样本图像及所述渲染二维图像，确定第一自监督训练损失；
根据所述预测分割掩码及所述渲染分割掩码，确定第二自监督训练损失；
根据所述二维样本图像对应的深度图像与所述渲染深度图像，确定第三自监督训练损失；
根据所述第一自监督训练损失、所述第二自监督训练损失及所述第三自监督训练损失，确定所述姿态预测网络的自监督训练总损失。
3.根据权利要求2所述的方法，其特征在于，所述根据所述二维样本图像及所述渲染二维图像，确定第一自监督训练损失，包括：
分别将所述二维样本图像及所述渲染二维图像转换为颜色模型LAB模式后，根据转换模式后的二维样本图像、转换模式后的渲染二维图像及所述预测分割掩码，采用第一损失函数确定第一图像损失；
根据所述二维样本图像、所述渲染二维图像及所述预测分割掩码，采用第二损失函数确定第二图像损失，所述第二损失函数为基于多尺度结构相似性指标的损失函数；
根据所述二维样本图像、所述渲染二维图像及所述预测分割掩码，采用第三损失函数确定第三图像损失，所述第三损失函数为基于深度卷积神经网络的多尺度特征距离的损失函数；
根据所述第一图像损失、所述第二图像损失及所述第三图像损失，确定所述第一自监督训练损失。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述预测分割掩码及所述渲染分割掩码，确定第二自监督训练损失，包括：
根据所述预测分割掩码及所述渲染分割掩码，采用交叉熵损失函数确定第二自监督训练损失。
5.根据权利要求2至4中任一项所述的方法，其特征在于，所述根据所述二维样本图像对应的深度图像与所述渲染深度图像，确定第三自监督训练损失，包括：
分别对所述二维样本图像对应的深度图像与所述渲染深度图像进行逆投影操作，得到所述深度图像对应的点云信息及所述渲染深度图像对应的点云信息；
根据所述深度图像对应的点云信息及所述渲染深度图像对应的点云信息，确定第三自监督训练损失。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述姿态预测网络包括：类别预测子网络、边界框预测子网络、和姿态预测子网络，
所述通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，包括：
通过所述类别预测子网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的类别信息；
通过所述边界框预测子网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的边界框信息；
通过所述姿态预测子网络对所述二维样本图像、所述类别信息及所述边界框信息进行处理，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息。
7.根据权利要求6所述的方法，其特征在于，在所述通过姿态预测网络对二维样本图像进行预测之前，所述方法还包括：
根据物体的三维模型及预设姿态信息进行渲染合成操作，得到合成二维图像及所述合成二维图像的标注信息，所述合成二维图像的标注信息包括标注物体类别信息、标注边界框信息、预设姿态信息及预设合成分割掩码；
通过所述姿态预测网络对所述合成二维图像进行预测，得到所述合成二维图像的预测信息，所述预测信息包括预测物体类别信息、预测边界框信息、预测合成分割掩码及预测合成姿态信息；
根据所述预测信息及所述合成二维图像的标注信息，训练所述姿态预测网络。
8.一种姿态预测方法，其特征在于，所述方法包括：
通过姿态预测网络对待处理图像进行预测处理，得到所述待处理图像中目标对象的姿态信息，
其中，所述姿态预测网络为采用权利要求1至7中任一项所述的网络训练方法训练得到。
9.一种网络训练装置，包括：
预测模块，用于通过姿态预测网络对二维样本图像进行预测，得到所述二维样本图像中目标对象对应的预测分割掩码及所述目标对象对应的预测姿态信息，所述预测姿态信息包括三维旋转信息和三维平移信息；
渲染模块，用于根据所述目标对象对应的预测姿态信息，对所述目标对象对应的三维模型进行可微分渲染操作，得到所述目标对象对应的可微分渲染信息；所述可微分渲染操作为通过可微分渲染器执行的渲染操作；所述目标对象对应的可微分渲染信息包括：渲染分割掩码、渲染二维图像、渲染深度图像；
确定模块，用于根据所述二维样本图像、所述预测分割掩码、所述二维样本图像对应的深度图像及所述可微分渲染信息，确定所述姿态预测网络的自监督训练总损失；
自监督训练模块，用于根据所述自监督训练总损失训练所述姿态预测网络。
10.一种姿态预测装置，其特征在于，所述装置包括：
预测模块，用于通过姿态预测网络对待处理图像进行预测处理，得到所述待处理图像中目标对象的姿态信息，
其中，所述姿态预测网络为采用权利要求1至7中任一项所述的网络训练方法训练得到。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010638037.2A CN111783986B (zh) | 2020-07-02 | 2020-07-02 | 网络训练方法及装置、姿态预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010638037.2A CN111783986B (zh) | 2020-07-02 | 2020-07-02 | 网络训练方法及装置、姿态预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783986A CN111783986A (zh) | 2020-10-16 |
| CN111783986B true CN111783986B (zh) | 2024-06-14 |
Family
ID=72759605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010638037.2A Active CN111783986B (zh) | 2020-07-02 | 2020-07-02 | 网络训练方法及装置、姿态预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783986B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508007B (zh) * | 2020-11-18 | 2023-09-29 | 中国人民解放军战略支援部队航天工程大学 | 基于图像分割Mask和神经渲染的空间目标6D姿态估计方法 |
| CN112529913B (zh) * | 2020-12-14 | 2024-10-29 | 北京达佳互联信息技术有限公司 | 图像分割模型训练方法、图像处理方法及装置 |
| CN112529917A (zh) * | 2020-12-22 | 2021-03-19 | 中国第一汽车股份有限公司 | 一种三维目标分割方法、装置、设备和存储介质 |
| CN114758334A (zh) * | 2020-12-29 | 2022-07-15 | 华为技术有限公司 | 一种对象注册方法及装置 |
| CN113592876B (zh) * | 2021-01-14 | 2024-09-06 | 腾讯科技（深圳）有限公司 | 分割网络的训练方法、装置、计算机设备和存储介质 |
| CN112884022B (zh) * | 2021-01-29 | 2021-11-12 | 浙江师范大学 | 一种基于图像平移的无监督深度表征学习方法及系统 |
| CN113065546B (zh) * | 2021-02-25 | 2022-08-12 | 湖南大学 | 一种基于注意力机制和霍夫投票的目标位姿估计方法及系统 |
| CN112926461B (zh) * | 2021-02-26 | 2024-04-19 | 商汤集团有限公司 | 神经网络训练、行驶控制方法及装置 |
| CN113256574B (zh) * | 2021-05-13 | 2022-10-25 | 中国科学院长春光学精密机械与物理研究所 | 一种三维目标检测方法 |
| CN113470124B (zh) * | 2021-06-30 | 2023-09-22 | 北京达佳互联信息技术有限公司 | 特效模型的训练方法及装置、特效生成方法及装置 |
| CN114359303B (zh) * | 2021-12-28 | 2024-12-24 | 浙江大华技术股份有限公司 | 图像分割方法及装置 |
| CN114511811A (zh) * | 2022-01-28 | 2022-05-17 | 北京百度网讯科技有限公司 | 视频处理方法、装置、电子设备和介质 |
| CN116824016A (zh) * | 2022-03-18 | 2023-09-29 | 华为技术有限公司 | 渲染模型训练、视频的渲染方法、装置、设备和存储介质 |
| CN114882301B (zh) * | 2022-07-11 | 2022-09-13 | 四川大学 | 基于感兴趣区域的自监督学习医学图像识别方法及装置 |
| CN116681755B (zh) * | 2022-12-29 | 2024-02-09 | 广东美的白色家电技术创新中心有限公司 | 位姿预测方法和装置 |
| CN118629084A (zh) * | 2023-03-10 | 2024-09-10 | 北京字跳网络技术有限公司 | 对象姿势识别模型的构建方法、对象姿势识别方法及装置 |
| CN118274786B (zh) * | 2024-05-31 | 2024-08-13 | 四川宏大安全技术服务有限公司 | 一种基于北斗坐标的埋地管道沉降监测方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105474273A (zh) * | 2013-07-25 | 2016-04-06 | 微软技术许可有限责任公司 | 后期重投影 |
| CN109215080A (zh) * | 2018-09-25 | 2019-01-15 | 清华大学 | 基于深度学习迭代匹配的6d姿态估计网络训练方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9443355B2 (en) * | 2013-06-28 | 2016-09-13 | Microsoft Technology Licensing, Llc | Reprojection OLED display for augmented reality experiences |
| CN108229489B (zh) * | 2016-12-30 | 2020-08-11 | 北京市商汤科技开发有限公司 | 关键点预测、网络训练、图像处理方法、装置及电子设备 |
| US11676296B2 (en) * | 2017-08-11 | 2023-06-13 | Sri International | Augmenting reality using semantic segmentation |
| CN109872343B (zh) * | 2019-02-01 | 2020-03-17 | 视辰信息科技(上海)有限公司 | 弱纹理物体姿态跟踪方法、系统及装置 |
-
2020
- 2020-07-02 CN CN202010638037.2A patent/CN111783986B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105474273A (zh) * | 2013-07-25 | 2016-04-06 | 微软技术许可有限责任公司 | 后期重投影 |
| CN109215080A (zh) * | 2018-09-25 | 2019-01-15 | 清华大学 | 基于深度学习迭代匹配的6d姿态估计网络训练方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783986A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783986B (zh) | 网络训练方法及装置、姿态预测方法及装置 | |
| CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN109816611B (zh) | 视频修复方法及装置、电子设备和存储介质 | |
| CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
| CN113822918B (zh) | 场景深度和相机运动预测方法及装置、电子设备和介质 | |
| CN113486765A (zh) | 手势交互方法及装置、电子设备和存储介质 | |
| CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
| CN111401230B (zh) | 姿态估计方法及装置、电子设备和存储介质 | |
| CN114445562A (zh) | 三维重建方法及装置、电子设备和存储介质 | |
| CN112991381B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN109635926B (zh) | 用于神经网络的注意力特征获取方法、装置及存储介质 | |
| CN113052874B (zh) | 目标跟踪方法及装置、电子设备和存储介质 | |
| CN113806054A (zh) | 任务处理方法及装置、电子设备和存储介质 | |
| CN112785672B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN113065591A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN114066856A (zh) | 模型训练方法及装置、电子设备和存储介质 | |
| CN106875446B (zh) | 相机重定位方法及装置 | |
| CN110706339A (zh) | 三维人脸重建方法及装置、电子设备和存储介质 | |
| CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112529846A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| WO2023051356A1 (zh) | 一种虚拟对象的显示方法及装置、电子设备和存储介质 | |
| CN114581525A (zh) | 姿态确定方法及装置、电子设备和存储介质 | |
| CN114463212A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111311588B (zh) | 重定位方法及装置、电子设备和存储介质 | |
| CN110929616B (zh) | 一种人手识别方法、装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |