CN106383888A - 一种利用图片检索定位导航的方法 - Google Patents
一种利用图片检索定位导航的方法 Download PDFInfo
- Publication number
- CN106383888A CN106383888A CN201610842511.7A CN201610842511A CN106383888A CN 106383888 A CN106383888 A CN 106383888A CN 201610842511 A CN201610842511 A CN 201610842511A CN 106383888 A CN106383888 A CN 106383888A
- Authority
- CN
- China
- Prior art keywords
- image
- input
- sight spot
- probability
- picture
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明中提出的一种利用图片检索定位导航的方法,其主要内容包括:景点数据集训练、输入图像、VQA模型、多层感知分类器预测概率、输入导航软件获取路线信息,其过程为,首先采用中国著名景点图片建立数据库进行训练,在对景点位置搜索时,在搜索栏中导入景点图像,采用VQA模型,包括引导反向传播技术和闭塞模型来确定重要的字词和图像区域,结合卷积神经网络(CNN)和长短期记忆(LSTM),并采用了多层感知器作为分类器来预测答案概率分布,最后通过输入导航软件来获取路线信息。本发明突破原来只能文字输入目的地进行查找和定位的限制,即使不知道地名或不会使用当地语言,也能将为准确地搜索定位到目标地点,使人们出行更加方便。
Description
技术领域
本发明涉及图像检索定位领域,尤其是涉及了一种利用图片检索定位导航的方法。
背景技术
定位导航技术对于传统的方法来说给人们的出行带来了极大的便利,但是现有的定位导航技术限制于文字的输入进行定位和目的地的查找,对于不知道地名或是不会使用当地语言的情况来说,还是有诸多的不便。
本发明提出了一种利用图片检索定位导航的方法,采用中国著名景点图片建立数据库进行训练,在对景点位置搜索时,在搜索栏中导入景点图像,采用VQA模型,包括引导反向传播技术和闭塞模型来确定重要的字词和图像区域,VQA模型采用基于图像嵌入的卷积神经网络(CNN),基于问题嵌入的长短期记忆(LSTM),结合了这两种嵌入,并采用了多层感知器作为分类器来预测答案概率分布,最后通过输入导航软件来获取路线信息。本发明突破原来只能文字输入目的地进行查找和定位的限制,即使不知道地名或不会使用当地语言,也能将为准确地搜索定位到目标地点,使人们出行更加方便。
发明内容
针对地名未知而难以搜索定位等问题,本发明的目的在于提供一种利用图片检索定位导航的方法,使用中国著名景点图片建立数据库进行训练,采用VQA模型,包括引导反向传播技术和闭塞模型来确定重要的字词和图像区域,使得图片搜索定位更加准确,方便人们出行。
为解决上述问题,本发明提供一种利用图片检索定位导航的方法,其主要内容包括:
(一)景点数据集训练;
(二)输入图像;
(三)VQA模型;
(四)多层感知分类器预测概率;
(五)输入导航软件获取路线信息。
其中,所述的景点数据集训练,采用中国著名景点图片建立数据库,称为CFS数据库,共100000张景点图片,其中每个景点所含图片均在10张以上。
其中,所述的输入图像,在对景点位置搜索时,在搜索栏中导入景点图像,输入图像格式为JPEG、TIFF、PNG,图像大小低于10M。
其中,所述的VQA模型,包括引导反向传播技术和闭塞模型。
进一步地,所述的VQA模型,视其为一个学习函数a=fw(i,q),输入图像i和图像问题q,参数化参数ω,并产生一个答案a,为了衡量组件i和q的重要性(即像素和单词),线性近似f围绕每个测试点(itest,qtest),
计算的两个关键量和即函数关于每个输入的偏导数(图片和问题),这些表达式表面上看类似于梯度计算的反向传播神经网络的训练,然而,有两个关键的差异:
(1)计算的是预测输出的概率偏导数,不是真实的输出;
(2)计算相对于输入的偏导数(即图像和嵌入字的像素强度),没有参数。
进一步地,所述的图像问题q,主要确定问题中的重要词语,包括对图像中景点的种类、风格、颜色基调、景点特征、所在城市的问题。
进一步地,所述的引导反向传播技术,确定了问题中的重要词语和图像中的重要区域;引导反向传播是一种基于梯度的可视化技术,用于可视化神经网络的不同层中的神经元激活;引导反向传播技术限制负向输入层,形成更清晰的图像可视化;
引导反向传播技术(引导BP)和经典反向传播技术(经典BP)基本相同,除了在反向传递时采用线性(ReLUs),让hl表示输入层l,hl+1表示输出,ReLUs定义为:
hl+1=relu(hl)=max(hl,0) (2)
使表示ReLU输出的偏导数,(接收作为反向传递的输入)
Gl=[[hl>0]]·Gl+1[经典BP] (3)
Gl=[[hl>0]]·[[Gl+1>0]]·Gl+1[引导BP] (4)
以上是两BP之间的关键差异。
进一步地,所述的闭塞模型,封闭输入的部分,观察模型的预测概率的变化来计算图像区域的重要性。系统地阻断输入子集,向前传播输入通过VQA模型,计算答案与原始输入预测概率的变化;因为有2个输入到模型中,我们一次针对一个输入,固定其他的输入(模拟偏导数);具体来说,要计算一个问题的重要性,通过在问题中去除这个词,并以原始图像作为输入,输入到模型中,问题词的重要性得分计算为原来的预测答案的概率的变化。
我们遵循相同的程序上的图像,以计算图像区域的重要性;将图像划分成一个大小为16x16的网格,并计算原始预测答案的概率的减少。
其中,所述的多层感知分类器预测概率,VQA模型采用基于图像嵌入的卷积神经网络(CNN),基于问题嵌入的长短期记忆(LSTM),结合了这两种嵌入,并采用了多层感知器作为分类器来预测答案概率分布。
其中,所述的输入导航软件获取路线信息,通过分类器获得的景点最高概率答案输入到导航软件后台,导航软件根据景点信息获取景点位置并获取路线信息。
附图说明
图1是本发明一种利用图片检索定位导航的方法的系统流程图。
图2是本发明一种利用图片检索定位导航的方法的中国著名景点图片数据库。
图3是本发明一种利用图片检索定位导航的方法的输入图像定位搜索的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种利用图片检索定位导航的方法的系统流程图。主要包括景点数据集训练、输入图像、VQA模型、多层感知分类器预测概率、输入导航软件获取路线信息。
其中,景点数据集训练,采用中国著名景点图片建立数据库,称为CFS数据库,共100000张景点图片,其中每个景点所含图片均在10张以上。
其中,输入图像,在对景点位置搜索时,在搜索栏中导入景点图像,输入图像格式为JPEG、TIFF、PNG,图像大小低于10M。
其中,VQA模型包括引导反向传播技术和闭塞模型。视其为一个学习函数a=fw(i,q),输入图像i和图像问题q,参数化参数ω,并产生一个答案a,为了衡量组件i和q的重要性(即像素和单词),线性近似f围绕每个测试点(itest,qtest),
计算的两个关键量和即函数关于每个输入的偏导数(图片和问题),这些表达式表面上看类似于梯度计算的反向传播神经网络的训练,然而,有两个关键的差异:
(1)计算的是预测输出的概率偏导数,不是真实的输出;
(2)计算相对于输入的偏导数(即图像和嵌入字的像素强度),没有参数。
图像问题q主要确定问题中的重要词语,包括对图像中景点的种类、风格、颜色基调、景点特征、所在城市的问题。
引导反向传播技术确定了问题中的重要词语和图像中的重要区域;引导反向传播是一种基于梯度的可视化技术,用于可视化神经网络的不同层中的神经元激活;引导反向传播技术限制负向输入层,形成更清晰的图像可视化;
引导反向传播技术(引导BP)和经典反向传播技术(经典BP)基本相同,除了在反向传递时采用线性(ReLUs),让hl表示输入层l,hl+1表示输出,ReLUs定义为:
hl+1=relu(hl)=max(hl,0) (2)
使表示ReLU输出的偏导数,(接收作为反向传递的输入)
Gl=[[hl>0]]·Gl+1[经典BP] (3)
Gl=[[hl>0]]·[[Gl+1>0]]·Gl+1[引导BP] (4)
以上是两BP之间的关键差异。
闭塞模型,封闭输入的部分,观察模型的预测概率的变化来计算图像区域的重要性。系统地阻断输入子集,向前传播输入通过VQA模型,计算答案与原始输入预测概率的变化;因为有2个输入到模型中,我们一次针对一个输入,固定其他的输入(模拟偏导数);具体来说,要计算一个问题的重要性,通过在问题中去除这个词,并以原始图像作为输入,输入到模型中,问题词的重要性得分计算为原来的预测答案的概率的变化。
我们遵循相同的程序上的图像,以计算图像区域的重要性;将图像划分成一个大小为16x16的网格,并计算原始预测答案的概率的减少。
其中,多层感知分类器预测概率,VQA模型采用基于图像嵌入的卷积神经网络(CNN),基于问题嵌入的长短期记忆(LSTM),结合了这两种嵌入,并采用了多层感知器作为分类器来预测答案概率分布。
其中,输入导航软件获取路线信息,通过分类器获得的景点最高概率答案输入到导航软件后台,导航软件根据景点信息获取景点位置并获取路线信息。
图2是本发明一种利用图片检索定位导航的方法的中国著名景点图片数据库。中国著名景点图片建立数据库,称为CFS数据库,共100000张景点图片,其中每个景点所含图片均在10张以上。
图3是本发明一种利用图片检索定位导航的方法的输入图像定位搜索的流程图。在对景点位置搜索时,在搜索栏中导入景点图像,输入图像格式为JPEG、TIFF、PNG,图像大小低于10M。搜索定位的过程为:根据输入的图片产生的路线图,在搜索框输入故宫图片,对图片信息进行分析确定图片景点位置,根据自身位置定位获取到达景点位置的路线,为游客进行精准的导航。
对于本领域技术人员,本发明不限制于上述实施例的细节,在不背离本发明的精神和范围的情况下,能够以其他具体形式实现本发明。此外,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,这些改进和变型也应视为本发明的保护范围。因此,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种利用图片检索定位导航的方法,其特征在于,主要包括景点数据集训练(一);输入图像(二);VQA模型(三);多层感知分类器预测概率(四);输入导航软件获取路线信息(五)。
2.基于权利要求书1所述的景点数据集训练(一),其特征在于,采用中国著名景点图片建立数据库,称为CFS数据库,共100000张景点图片,其中每个景点所含图片均在10张以上。
3.基于权利要求书1所述的输入图像(二),其特征在于,在对景点位置搜索时,在搜索栏中导入景点图像,输入图像格式为JPEG、TIFF、PNG,图像大小低于10M。
4.基于权利要求书1所述的VQA模型(三),其特征在于,包括引导反向传播技术和闭塞模型。
5.基于权利要求书4所述的VQA模型,其特征在于,视其为一个学习函数a=fw(i,q),输入图像i和图像问题q,参数化参数ω,并产生一个答案a,为了衡量组件i和q的重要性(即像素和单词),线性近似f围绕每个测试点(itest,qtest),
计算的两个关键量和即函数关于每个输入的偏导数(图片和问题),这些表达式表面上看类似于梯度计算的反向传播神经网络的训练,然而,有两个关键的差异:
(1)计算的是预测输出的概率偏导数,不是真实的输出;
(2)计算相对于输入的偏导数(即图像和嵌入字的像素强度),没有参数。
6.基于权利要求书5所述的图像问题q,其特征在于,主要确定问题中的重要词语,包括对图像中景点的种类、风格、颜色基调、景点特征、所在城市的问题。
7.基于权利要求书4所述的引导反向传播技术,其特征在于,引导反向传播技术确定了问题中的重要词语和图像中的重要区域;引导反向传播是一种基于梯度的可视化技术,用于可视化神经网络的不同层中的神经元激活;引导反向传播技术限制负向输入层,形成更清晰的图像可视化;
引导反向传播技术(引导BP)和经典反向传播技术(经典BP)基本相同,除了在反向传递时采用线性(ReLUs),让hl表示输入层l,hl+1表示输出,ReLUs定义为:
hl+1=relu(hl)=max(hl,0) (2)
使表示ReLU输出的偏导数,(接收作为反向传递的输入)
Gl=[[hl>0]]·Gl+1[经典BP] (3)
Gl=[[hl>0]]·[[Gl+1>0]]·Gl+1[引导BP] (4)
以上是两BP之间的关键差异。
8.基于权利要求书4所述的闭塞模型,其特征在于,封闭输入的部分,观察模型的预测概率的变化来计算图像区域的重要性,系统地阻断输入子集,向前传播输入通过VQA模型,计算答案与原始输入预测概率的变化;因为有2个输入到模型中,我们一次针对一个输入,固定其他的输入(模拟偏导数);具体来说,要计算一个问题的重要性,通过在问题中去除这个词,并以原始图像作为输入,输入到模型中,问题词的重要性得分计算为原来的预测答案的概率的变化;
我们遵循相同的程序上的图像,以计算图像区域的重要性;将图像划分成一个大小为16x16的网格,并计算原始预测答案的概率的减少。
9.基于权利要求书1所述的多层感知分类器预测概率(四),其特征在于,VQA模型采用基于图像嵌入的卷积神经网络(CNN),基于问题嵌入的长短期记忆(LSTM),结合了这两种嵌入,并采用了多层感知器作为分类器来预测答案概率分布。
10.基于权利要求书1所述的输入导航软件获取路线信息(五),其特征在于,通过分类器获得的景点最高概率答案输入到导航软件后台,导航软件根据景点信息获取景点位置并获取路线信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610842511.7A CN106383888A (zh) | 2016-09-22 | 2016-09-22 | 一种利用图片检索定位导航的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610842511.7A CN106383888A (zh) | 2016-09-22 | 2016-09-22 | 一种利用图片检索定位导航的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106383888A true CN106383888A (zh) | 2017-02-08 |
Family
ID=57936848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610842511.7A Pending CN106383888A (zh) | 2016-09-22 | 2016-09-22 | 一种利用图片检索定位导航的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106383888A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107246865A (zh) * | 2017-05-26 | 2017-10-13 | 郭宇光 | 一种基于智能终端定位识别建筑物的方法及装置 |
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
CN107977752A (zh) * | 2017-12-14 | 2018-05-01 | 维沃移动通信有限公司 | 一种出行信息生成方法及移动终端 |
CN108257148A (zh) * | 2018-01-17 | 2018-07-06 | 厦门大学 | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 |
CN109119008A (zh) * | 2018-09-28 | 2019-01-01 | 江苏派远软件开发有限公司 | 一种智能导游系统 |
CN110704668A (zh) * | 2019-09-23 | 2020-01-17 | 北京影谱科技股份有限公司 | 基于网格的协同注意力vqa方法和装置 |
CN112862766A (zh) * | 2021-01-28 | 2021-05-28 | 华北电力大学(保定) | 一种基于图像数据扩充技术的绝缘子检测方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030018667A1 (en) * | 2001-07-18 | 2003-01-23 | Eastman Kodak Company | Website using images as a navigational tool for user-created photopages on the internet |
CN101123737A (zh) * | 2006-08-08 | 2008-02-13 | 安捷伦科技有限公司 | 基于分组度量和图像度量两者测量视频质量的系统和方法 |
CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
CN102142078A (zh) * | 2010-02-03 | 2011-08-03 | 中国科学院自动化研究所 | 基于部件结构模型的目标检测与识别方法 |
CN102542302A (zh) * | 2010-12-21 | 2012-07-04 | 中国科学院电子学研究所 | 基于分等级对象语义图的复杂目标自动识别方法 |
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN102722528A (zh) * | 2012-05-17 | 2012-10-10 | 上海冠勇信息科技有限公司 | 基于移动设备的实时海量图像检索方法 |
CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
CN102915326A (zh) * | 2012-08-30 | 2013-02-06 | 杭州藕根科技有限公司 | 一种基于gps和图像搜索技术的移动终端景物辨识系统 |
CN104538028A (zh) * | 2014-12-25 | 2015-04-22 | 清华大学 | 一种基于深度长短期记忆循环神经网络的连续语音识别方法 |
CN104700105A (zh) * | 2015-03-11 | 2015-06-10 | 宁波工程学院 | 非结构化室外地形全局检测方法 |
CN105451016A (zh) * | 2015-12-07 | 2016-03-30 | 天津大学 | 一种适用于视频监控系统的无参考视频质量评价方法 |
CN105787439A (zh) * | 2016-02-04 | 2016-07-20 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
CN105956558A (zh) * | 2016-04-26 | 2016-09-21 | 陶大鹏 | 一种基于三轴加速度传感器人体动作识别方法 |
-
2016
- 2016-09-22 CN CN201610842511.7A patent/CN106383888A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030018667A1 (en) * | 2001-07-18 | 2003-01-23 | Eastman Kodak Company | Website using images as a navigational tool for user-created photopages on the internet |
CN101123737A (zh) * | 2006-08-08 | 2008-02-13 | 安捷伦科技有限公司 | 基于分组度量和图像度量两者测量视频质量的系统和方法 |
CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
CN102142078A (zh) * | 2010-02-03 | 2011-08-03 | 中国科学院自动化研究所 | 基于部件结构模型的目标检测与识别方法 |
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
CN102542302A (zh) * | 2010-12-21 | 2012-07-04 | 中国科学院电子学研究所 | 基于分等级对象语义图的复杂目标自动识别方法 |
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN102722528A (zh) * | 2012-05-17 | 2012-10-10 | 上海冠勇信息科技有限公司 | 基于移动设备的实时海量图像检索方法 |
CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
CN102915326A (zh) * | 2012-08-30 | 2013-02-06 | 杭州藕根科技有限公司 | 一种基于gps和图像搜索技术的移动终端景物辨识系统 |
CN104538028A (zh) * | 2014-12-25 | 2015-04-22 | 清华大学 | 一种基于深度长短期记忆循环神经网络的连续语音识别方法 |
CN104700105A (zh) * | 2015-03-11 | 2015-06-10 | 宁波工程学院 | 非结构化室外地形全局检测方法 |
CN105451016A (zh) * | 2015-12-07 | 2016-03-30 | 天津大学 | 一种适用于视频监控系统的无参考视频质量评价方法 |
CN105787439A (zh) * | 2016-02-04 | 2016-07-20 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
CN105956558A (zh) * | 2016-04-26 | 2016-09-21 | 陶大鹏 | 一种基于三轴加速度传感器人体动作识别方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107246865A (zh) * | 2017-05-26 | 2017-10-13 | 郭宇光 | 一种基于智能终端定位识别建筑物的方法及装置 |
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
CN107529651B (zh) * | 2017-08-18 | 2020-10-16 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
CN107977752A (zh) * | 2017-12-14 | 2018-05-01 | 维沃移动通信有限公司 | 一种出行信息生成方法及移动终端 |
CN108257148A (zh) * | 2018-01-17 | 2018-07-06 | 厦门大学 | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 |
CN108257148B (zh) * | 2018-01-17 | 2020-09-25 | 厦门大学 | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 |
CN109119008A (zh) * | 2018-09-28 | 2019-01-01 | 江苏派远软件开发有限公司 | 一种智能导游系统 |
CN110704668A (zh) * | 2019-09-23 | 2020-01-17 | 北京影谱科技股份有限公司 | 基于网格的协同注意力vqa方法和装置 |
CN110704668B (zh) * | 2019-09-23 | 2022-11-04 | 北京影谱科技股份有限公司 | 基于网格的协同注意力vqa方法和装置 |
CN112862766A (zh) * | 2021-01-28 | 2021-05-28 | 华北电力大学(保定) | 一种基于图像数据扩充技术的绝缘子检测方法及系统 |
CN112862766B (zh) * | 2021-01-28 | 2022-11-04 | 华北电力大学(保定) | 一种基于图像数据扩充技术的绝缘子检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106383888A (zh) | 一种利用图片检索定位导航的方法 | |
Chen et al. | Touchdown: Natural language navigation and spatial reasoning in visual street environments | |
Natapov et al. | Visibility of urban activities and pedestrian routes: An experiment in a virtual environment | |
JP2021531462A (ja) | トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム | |
CN108572733B (zh) | 一种基于条件随机场的眼动行为视觉搜索目标预测方法 | |
Krukar et al. | The effect of orientation instructions on the recall and reuse of route and survey elements in wayfinding descriptions | |
CN109579866A (zh) | 智能导航方法、装置、计算机设备及存储介质 | |
CN101364259A (zh) | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 | |
CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
US11448516B2 (en) | Scenic route-based navigation directions | |
CN104101348A (zh) | 导航系统以及在导航系统上显示地图的方法 | |
Ahmadpoor et al. | Spatial knowledge acquisition and mobile maps: The role of environmental legibility | |
WO2022142418A1 (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
US20240077331A1 (en) | Method of predicting road attributers, data processing system and computer executable code | |
KR101000039B1 (ko) | 재해정보지도 제작방법과 제작시스템 | |
Hashimoto et al. | An agent-based model reveals lost person behavior based on data from wilderness search and rescue | |
CN109684910A (zh) | 一种网络检测输电线路地表环境变化的方法及系统 | |
KR100749226B1 (ko) | 네비게이션 시스템의 주행방향 판단장치 및 판단방법 | |
CN106447071A (zh) | 一种应用于视频监控场景的路径预测方法 | |
KR20190107252A (ko) | 가상 캐릭터의 커스터마이징 학습을 통한 ar기반 테마여행 ai 큐레이션 제공시스템 | |
Zhang et al. | Enrichment of topographic road database for the purpose of routing and navigation | |
Roth et al. | CrowdAbout: Using Vehicles as Sensors to Improve Map Data for ITS | |
Artemenko et al. | Using Mobile Location-based Recommender Systems for Providing Real Time Recommendations for Social Distancing Urban Route Planning | |
Eltaher et al. | Using Satellite Images Datasets for Road Intersection Detection in Route Planning | |
CN114494616B (zh) | 一种景区多源客流数据的实时三维仿真模拟方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170208 |
|
RJ01 | Rejection of invention patent application after publication |