一种回归预测模型训练方法、装置和计算机设备

技术领域

本发明涉及图像识别领域，尤其涉及一种回归预测模型训练方法、装置和计算机设备。

背景技术

现有的预测模型包括回归预测模型和分类预测模型，对于回归预测模型，需要利用大量的带有标注的训练样本对回归预测模型进行训练，以使回归预测模型具有回归预测的能力，例如，经过训练的语义分割模型可以对图像中不同类别的目标进行分割，经过训练的目标追踪模型可以对视频图像中目标进行追踪。

用于训练的训练样本一般需要专门的人员利用相应的采集设备进行采集，采集完成后还需要大量的工作人员对采集的数据样本进行过滤以去除不符合标准的数据样本，不仅需要大量的人力资源，而且需要花费大量的采集时间，进而使得回归预测模型的训练周期延长。

发明内容

鉴于上述问题，本发明提出一种回归预测模型训练方法、装置和计算机设备。

本申请提出一种回归预测模型训练方法，所述方法包括：

获取多个具有标注的合成图像样本；

获取多个具有标注的真实图像样本；

利用所述多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型，直至所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值，其中，所述复合回归损失函数包括回归预测损失函数和一致性损失函数。

本申请所述的回归预测模型训练方法，所述获取多个具有标注的合成图像样本，包括：

将随机噪声向量输入至生成对抗网络的生成器得到多个预定尺寸的合成背景图像；

从预定图库中获取多个目标图像和对应的目标掩模图像，其中，所述目标掩模图像用于区分对应的目标图像的前景和背景；

利用所述多个目标图像、多个对应的目标掩模图像和多个合成背景图像确定多个合成图像样本和对应的合成掩模图像，其中，所述合成掩模图像用于区分对应合成图像样本的前景和背景。

本申请所述的回归预测模型训练方法，所述合成图像样本包括标准合成图像样本，所述合成掩模图像包括标准合成掩模图像，所述合成掩模图像包括标准合成掩模图像，所述利用所述多个目标图像、多个对应的目标掩模图像和多个合成背景图像确定多个合成图像样本和对应的合成掩模图像，包括：

利用各个目标掩模图像从对应的目标图像中获取对应的前景图像；

将第i个前景图像放置在第i个合成背景图像上以获取第i个标准合成图像样本，1≤i≤I，I表示标准合成图像样本的总数；

根据第i个标准合成图像样本的前景和背景确定第i个标准合成掩模图像。

本申请所述的回归预测模型训练方法，所述合成图像样本还包括增强合成图像样本，所述合成掩模图像还包括增强合成掩模图像，所述将第i个前景图像放置在第i个合成背景图像上之后，还包括：

对第i个合成背景图像上的第i个前景图像进行图像增强操作以获取第i个增强合成图像样本；

根据第i个增强合成图像样本的前景和背景确定第i个增强合成掩模图像。

本申请所述的回归预测模型训练方法，所述复合回归损失函数还包括所述生成对抗网络的损失函数。

本申请所述的回归预测模型训练方法，所述回归预测模型对应的预设损失函数如下所示：

L＝L1+L2+L3

L表示所述复合回归损失值，L1表示所述生成对抗网络的损失函数对应的损失值，L2表示所述回归预测损失函数对应的损失值，L3表示所述一致性损失函数对应的损失值；

所述一致性损失函数对应的损失值利用以下方法确定：

对第i个增强合成图像样本进行语义分割预测以获取第一结果向量；

对第i个标准合成图像样本进行语义分割预测以获得第二结果向量；

根据第i个增强合成图像样本对应的图像增强操作对所述第二结果向量进行相应的增强操作以获得第三结果向量；

根据所述第一结果向量和所述第三结果向量之间的向量差确定所述一致性损失函数对应的损失值。

本申请所述的回归预测模型训练方法，所述回归预测模型包括解码器和生成对抗网络的判别器，所述利用所述多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型，包括：

利用所述生成对抗网络的判别器判断每个合成图像样本真假性；

根据所述每个合成图像样本真假性优化所述生成对抗网络的各个参数；

利用所述判别器输出每个合成图像样本和每个真实图像样本对应的特征向量；

将每个特征向量输入至所述解码器以预测对应图像的语义分割结果；

根据每个语义分割结果优化所述训练回归预测模型的各个参数，以使所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值。

本申请提出一种回归预测模型训练装置，所述装置包括：

合成图像样本获取模块，用于获取多个具有标注的合成图像样本；

真实图像样本获取模块，用于获取多个具有标注的真实图像样本；

回归预测模型训练模块，用于利用所述多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型，直至所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值，其中，所述复合回归损失函数包括回归预测损失函数和一致性损失函数。

本申请提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行本申请所述的回归预测模型训练方法。

本申请提出一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行本申请所述的回归预测模型训练方法。

本申请利用多个具有标注的合成图像样本和多个具有标注的真实图像样本训练回归预测模型，通过引入合成图像样本不仅可以获得足够多的训练样本，用于训练回归预测模型，而且由于训练样本类型多样，包括真实图像样本和合成图像样本，使得回归预测模型可以根据真实图像样本和合成图像样本进行针对性的训练，在训练过程中两种类型的训练样本对应的训练结果相互影响，不仅可以增强回归预测模型回归预测的准确性，而且可以提高回归预测模型回归预测的灵活性，进而使得回归预测模型的普适性提高，增强了回归预测模型的泛化能力。另外，通过复合回归损失函数中的一致性损失函数让回归预测模型从不同角度对同一训练样本进行学习，保证回归预测模型预测的稳定性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

图1示出了本申请实施例中提出的一种回归预测模型训练方法的流程示意图；

图2示出了本发明实施例提出的一种用于训练语义分割模型的标注样本示意图；

图3示出了本发明实施例提出的一种用于训练目标追踪模型的标注样本示意图；

图4示出了本申请实施例中提出的一种获取合成图像样本的方法流程示意图；

图5示出了本申请实施例中提出的一种目标图像和对应的目标掩模图像；

图6示出了本申请实施例中提出的一种计算一致性约束函数对应的损失值的方法流程示意图；

图7示出了本申请实施例中提出的一种用于训练回归预测模型的训练网络模型的结构示意图；

图8示出了本申请实施例中提出的一种训练回归预测模型的方法流程示意图；

图9示出了本申请实施例中提出的一种回归预测模型训练装置的结构示意图；

图10示出了本申请实施例中提出的一种计算机设备的结构示意图。

主要元件符号说明：

10-回归预测模型训练装置；11-合成图像样本获取模块；12-真实图像样本获取模块；13-回归预测模型训练模块；20-回归预测模型；21-生成对抗网络的判别器；22-解码器；31-生成对抗网络的生成器；32-图像合成器；100-计算机设备；110-存储器；120-处理器。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。

本申请提出一种回归预测模型训练方法，在真实图像样本数量不足的情况下，可以获取多个具有标注的合成图像样本，利用多个具有标注的合成图像样本和多个具有标注的真实图像样本训练回归预测模型，不仅可以获得足够多的训练样本，用于训练回归预测模型，而且由于训练样本类型多样，包括真实图像样本和合成图像样本，使得回归预测模型可以根据真实图像样本和合成图像样本进行针对性的训练，在训练过程中两种类型的训练样本对应的训练结果相互影响，不仅可以增强回归预测模型回归预测的准确性，而且可以提高回归预测模型回归预测的灵活性，进而使得回归预测模型的普适性提高，增强了回归预测模型的泛化能力。

实施例1

本申请的一个实施例，如图1所示，提出一种回归预测模型训练方法，该方法包括以下步骤：

S100：获取多个具有标注的合成图像样本。

可以理解，用于训练的图像样本的标注有多种，对于不同类型的回归预测模型，用于训练的图像样本的标注各不相同，例如，对于执行图像分割任务的语义分割模型，图像样本的标注包括图像样本中的目标物边界范围(如图2中人像轮廓虚线所示)和边界范围内目标物对应的类别；对于执行目标检测任务的目标追踪模型，图像样本的标注包括图像样本中用于跟踪目标物的边界框(如图3人像外边界框所示)和边界框内目标物对应的类别。

合成图像样本是指通过预定的合成方法合成的假图像，并不是通过图像采集设备采集到的真实图像。

多个具有标注的合成图像样本可以利用预定的合成方法提前预先生成并保存在预定位置，在需要对某一种回归预测模型进行训练时，可以直接从预定位置获取多个具有标注的合成图像样本；多个具有标注的合成图像样本也可以利用预定的合成方法实时生成，在需要对某一种回归预测模型进行训练时，利用预定的合成方法实时生成的合成图像样本，用于训练回归预测模型。其中，回归预测模型可以是全卷积网络(FullyConvolutional Networks，FCNs)、Unet语义分割网络或者其他类型的回归预测模型。

S200：获取多个具有标注的真实图像样本。

真实图像样本是通过图像采集设备采集到的真实图像，真实图像样本可以是专门的采集人员利用图像采集设备预先采集的，并经过专业的过滤人员过滤筛选后保存在特定位置的图像样本。保存在特定位置的图像样本可能是不具有标注的图像样本，还需要专业的人员利用标注工具对不具有标注的图像样本进行标注。

当然，真实图像样本还可以从一些开源数据库中直接下载，根据待训练的回归预测模型的类型，对直接下载获得的图像样本集中的各个真实图像样本进行相应的处理，以使各个真实图像样本适用于训练待训练的回归预测模型。

S300：利用所述多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型，直至所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于预设损失阈值。

其中，复合回归损失函数包括回归预测损失函数和一致性损失函数。回归预测损失函数可以是交叉熵损失函数、KL(Kullback Leibler Divergence Loss)散度或其他回归损失函数等。一致性损失函数用于让回归预测模型从不同角度对同一训练样本进行学习，进而保证回归预测模型预测的稳定性。

利用多个具有标注的合成图像样本和多个具有标注的真实图像样本训练回归预测模型，引入合成图像样本不仅可以获得足够多的训练样本，用于训练回归预测模型，而且由于训练样本类型多样，包括真实图像样本和合成图像样本，使得回归预测模型可以根据真实图像样本和合成图像样本进行针对性的训练，在训练过程中两种类型的训练样本对应的训练结果相互影响，不仅可以增强回归预测模型回归预测的准确性，而且可以提高回归预测模型回归预测的灵活性，进而使得回归预测模型的普适性提高，增强了回归预测模型的泛化能力。

实施例2

本申请的一个实施例，如图4所示，提出一种合成图像样本获取方法，该方法包括以下步骤：

S110：将随机噪声向量输入至生成对抗网络的生成器得到合成背景图像。

随机噪声向量可以是满足正太分布的随机噪声向量、可以是满足均匀分布的随机噪声向量、可以是满足指数分布的随机噪声向量、可以是满足卡方分布的随机噪声向量或满足其他分布的随机噪声向量。

可以利用生成对抗网络的生成器根据随机噪声向量生成多个预定尺寸的合成背景图像，其中，预定尺寸需要和待训练的回归预测模型所需要的训练样本的尺寸一致，若生成对抗网络的生成器生成的多个合成背景图像和待训练的回归预测模型所需要的训练样本的尺寸一致，则无需在对多个合成背景图像进行处理，可以直接利用多个合成背景图像合成多个具有标注的合成图像样本。

S120：从预定图库中获取多个目标图像和对应的目标掩模图像。

预定图库中的目标图像是指带有前景的图像，例如，若回归预测模型是用于识别人像的模型，则预定图库中的目标图像是指带人像的图像；若回归预测模型是用于识别特定动物的模型，则预定图库中的目标图像是指带特定动物的图像。

可以理解，目标掩模图像可以作为对应的目标图像的前景标注，即目标掩模图像用于区分对应的目标图像的前景和背景。

示范性的，如图5所示，目标图像如图5中的A图所示，A图对应的目标掩模图像如图5中的B图所示。如图5中的B图所示的目标掩模图像可以用于区分如图5中的A图的前景和背景。

S130：利用所述多个目标图像、多个对应的目标掩模图像和多个合成背景图像确定多个合成图像样本和对应的合成掩模图像。

合成掩模图像作为对应合成图像样本的标注，用于区分对应合成图像样本的前景和背景。可以理解，合成图像样本可以是目标图像和任意一个合成背景图像组成的。

进一步的，合成图像样本包括标准合成图像样本和增强合成图像样本，对应的，合成掩模图像包括标准合成掩模图像和增强合成掩模图像。

示范性的，利用目标掩模图像可以将对应的目标图像中的前景图像提取出来，将提取出来的前景图像可以随机放置在任意一个合成背景图像上以生成标准合成图像样本，例如，将第i个前景图像放置在第i个合成背景图像上以获取第i个标准合成图像样本，1≤i≤I，I表示标准合成图像样本的总数，进一步的，根据第i个标准合成图像样本的前景和背景确定第i个标准合成掩模图像。

示范性的，也可以对提取出来的前景图像进行放大和/或缩小和/或旋转等图像增强操作后再放置在任意一个合成背景图像上以生成增强合成图像样本，还可以对提取出来的前景图像添加遮挡后放置在任意一个合成背景图像上以生成增强合成图像样本，例如，若提取出来的前景图像是人物图像，可以在为前景图像添加眼镜和/或配饰和/或新的发型后放置在任意一个合成背景图像上。

对于生成的合成图像样本，还需要获取对应的合成掩模图像，可以理解合成掩模图像作为对应合成图像样本的标注，用于区分对应合成图像样本的前景和背景。

本实施例公开的生成合成图像样本的方法，利用生成对抗网络的生成器生成的合成背景图像作为合成图像样本的背景，利用目标图像和对应的目标掩模图像获得合成图像样本的前景，利用合成背景图像和真实前景合成的合成图像样本的前景和背景是独立的，降低为合成图像样本添加前景标注的难度，进而提升回归预测模型的训练速度。

实施例3

由于现有的语义分割模型在进行训练的过程中并从不同角度对同一训练样本进行学习，导致训练好的语义分割模型对存在细微差别的两张图片(例如，两张图片的相同前景存在角度差异和/或尺寸大小差异)会得到差异较大的分割结果，即训练好的语义分割模型的稳定性较差，基于上述问题，本申请的一个实施例，提出了一种一致性损失函数用来增强语义分割模型的预测稳定性。

示范性的，本申请的一个实施例，提出一种回归预测模型对应的复合回归损失函数包括生成对抗网络的损失函数、回归预测损失函数和一致性损失函数。

进一步的，回归预测模型对应的复合回归损失函数如下所示：

L＝L1+L2+L3

L表示所述复合回归损失值，L1表示所述生成对抗网络的损失函数对应的损失值，L2表示所述回归预测损失函数对应的损失值，L3表示所述一致性损失函数对应的损失值。

进一步的，合成图像样本包括标准合成图像样本和增强合成图像样本，对应的，合成掩模图像包括标准合成掩模图像和增强合成掩模图像，如图6所示，确定一致性损失函数对应的损失值的方法包括以下步骤：

S10：对第i个增强合成图像样本进行语义分割预测以获取第一结果向量。

S20：对第i个标准合成图像样本进行语义分割预测以获得第二结果向量。

S30：根据第i个增强合成图像样本对应的图像增强操作对所述第二结果向量进行相应的增强操作以获得第三结果向量。

S40：根据所述第一结果向量和所述第三结果向量之间的向量差确定一致性损失函数对应的损失值。

其中，各个增强合成图像样本和各个标准合成图像样本一一对应，即第i个标准合成图像样本与第i个增强合成图像样本相互对应，第i个增强合成图像是第i个标准合成图像样本经过对应的图像增强操作后获得的。示范性的，第i个标准合成图像样本可能经过顺时针旋转30度的图像增强操作转换为第i个增强合成图像样本。

进一步的，可以将第i个标准合成图像样本记为x

进一步的，语义分割预测操作记为B()，对第i个增强合成图像样本进行语义分割预测后获取第一结果向量记为B(y

进一步的，一致性损失函数对应的损失值L3＝||B(y

可以理解，一致性损失函数让回归预测模型从不同角度对同一训练样本进行学习，保证回归预测模型预测的稳定性。可以在语义分割模型训练过程中对存在细微差别的两张图片计算损失值，可以使得训练好的语义分割模型对存在细微差别的两张图片具有更好的分割效果，保证了语义分割模型在遇到微小干扰的情况下依然能保持分割的稳定性和准确性，可以增强语义分割模型的预测能力。

实施例4

本申请的一个实施例，如图7所示，示出了一种回归预测模型20包括生成对抗网络的判别器21和解码器22，用于训练回归预测模型20的训练网络模型包括生成对抗网络的生成器31和图像合成器32。进一步的，如图8所示，利用多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型包括以下步骤：

S310：利用所述生成对抗网络的判别器判断每个合成图像样本真假性。

S320：根据所述每个合成图像样本真假性优化所述生成对抗网络的各个参数。

S330：利用所述判别器输出每个合成图像样本和每个真实图像样本对应的特征向量。

S340：将每个特征向量输入至所述解码器以预测对应图像的语义分割结果。

S350：根据每个语义分割结果优化所述训练回归预测模型的各个参数，以使所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值。

可以理解，轻量级语义分割模型本身的特征表达能力较弱，在涉及到复杂场景时会出现分割不准确的情况，本实施例在训练的时候额外引入了生成对抗网络辅助训练，利用生成对抗网络的生成器31获取合成背景图像，图像合成器32利用合成背景图像和真实前景生成合成图像样本以增加训练样本的数量，并将生成对抗网络的判别器21作为回归预测模型20的编码器，生成对抗网络的判别器21可以判断各个合成图像样本真假性，进而根据各个合成图像样本真假性优化生成对抗网络的各个参数，使得生成对抗网络生成的合成背景图像越来越趋近于真实背景，并且，解码器22可以预测各个合成图像样本和各个真实图像样本的语义分割结果，使得回归预测模型20可以根据各个语义分割结果优化所述训练回归预测模型的各个参数，以使所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值。

可以理解，由于解码器22可以预测各个合成图像样本和各个真实图像样本的语义分割结果，因此，使得回归预测模型20可以根据真实图像样本和合成图像样本进行针对性的训练，在训练过程中两种类型的训练样本对应的训练结果相互影响，不仅可以增强回归预测模型20回归预测的准确性，而且可以提高回归预测模型20回归预测的灵活性，进而使得回归预测模型20的普适性提高，增强了回归预测模型20的泛化能力。

进一步的，在实际应用时，回归预测模型20仅包括生成对抗网络的判别器21和解码器22，并未增加网络参数量，实现了回归预测模型20在未增加网络参数量情况下大幅度提升语义分割算法的准确率。

实施例5

本申请的一个实施例，如图9所示，提出一种回归预测模型训练装置10包括：合成图像样本获取模块11、真实图像样本获取模块12和回归预测模型训练模块13。

合成图像样本获取模块11，用于获取多个具有标注的合成图像样本；真实图像样本获取模块12，用于获取多个具有标注的真实图像样本；回归预测模型训练模块13，用于利用所述多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型，直至所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值，其中，所述复合回归损失函数包括回归预测损失函数和一致性损失函数。

进一步的，所述获取多个具有标注的合成图像样本，包括：将随机噪声向量输入至生成对抗网络的生成器得到合成背景图像；从预定图库中获取多个目标图像和对应的目标掩模图像，其中，所述目标掩模图像用于区分对应的目标图像的前景和背景；利用所述多个目标图像、多个对应的目标掩模图像和多个合成背景图像确定多个合成图像样本和对应的合成掩模图像，其中，所述合成掩模图像用于区分对应合成图像样本的前景和背景。

进一步的，所述合成图像样本包括标准合成图像样本，所述合成掩模图像包括标准合成掩模图像，所述利用所述多个目标图像、多个对应的目标掩模图像和多个合成背景图像确定多个合成图像样本和对应的合成掩模图像，包括：利用各个目标掩模图像从对应的目标图像中获取对应的前景图像；将第i个前景图像放置在第i个合成背景图像上以获取第i个标准合成图像样本，1≤i≤I，I表示标准合成图像样本的总数；根据第i个标准合成图像样本的前景和背景确定第i个标准合成掩模图像。

进一步的，所述合成图像样本还包括增强合成图像样本，所述合成掩模图像还包括增强合成掩模图像，所述将第i个前景图像放置在第i个合成背景图像上之后，还包括：对第i个合成背景图像上的第i个前景图像进行图像增强操作以获取第i个增强合成图像样本；根据第i个增强合成图像样本的前景和背景确定第i个增强合成掩模图像。

进一步的，所述回归预测模型对应的复合回归损失函数包括所述生成对抗网络的损失函数、回归预测损失函数和一致性损失函数。

进一步的，所述回归预测模型对应的复合回归损失函数如下所示：

L＝L1+L2+L3

L表示所述复合回归损失值，L1表示所述生成对抗网络的损失函数对应的损失值，L2表示所述回归预测损失函数对应的损失值，L3表示所述一致性损失函数对应的损失值；

进一步的，所述一致性损失函数对应的损失值利用以下方法确定：

对第i个增强合成图像样本进行语义分割预测以获取第一结果向量；对第i个标准合成图像样本进行语义分割预测以获得第二结果向量；根据第i个增强合成图像样本对应的图像增强操作对所述第二结果向量进行相应的增强操作以获得第三结果向量；根据所述第一结果向量和所述第三结果向量之间的向量差确定一致性损失函数对应的损失值。

进一步的，所述回归预测模型包括解码器和生成对抗网络的判别器，所述利用所述多个具有标注的合成图像样本和所述多个具有标注的真实图像样本训练回归预测模型，包括：利用所述生成对抗网络的判别器判断每个合成图像样本真假性；根据所述每个合成图像样本真假性优化所述生成对抗网络的各个参数；利用所述判别器输出每个合成图像样本和每个真实图像样本对应的特征向量；将每个特征向量输入至所述解码器以预测对应图像的语义分割结果；根据每个语义分割结果优化所述训练回归预测模型的各个参数，以使所述回归预测模型对应的复合回归损失函数收敛并且对应的复合回归损失值小于损失阈值。

本实施例公开的回归预测模型训练装置10通过合成图像样本获取模块11、真实图像样本获取模块12和回归预测模型训练模块13的配合使用，用于执行上述实施例所述的回归预测模型训练方法，上述实施例所涉及的实施方案以及有益效果在本实施例中同样适用，在此不再赘述。

可以理解，如图10所示，本申请涉及一种计算机设备100包括存储器110和处理器120，所述存储器110存储有计算机程序，所述计算机程序在所述处理器120上运行时执行本申请所述的回归预测模型训练方法。

可以理解，本申请涉及一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行本申请所述的回归预测模型训练方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、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、程序段或代码的一部分，所述模块、程序段或代码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。也应当注意，在作为替换的实现方式中，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，结构图和/或流程图中的每个方框、以及结构图和/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。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。