CN108628993A - 电子地图自适应分类方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种电子地图自适应分类方法、装置、设备及存储介质，其中，所述方法包括：获取待分类的电子地图数据；将所述电子地图数据输入到预先建立的神经网络分类器，根据所述神经网络分类器的输出确定分类结果。本发明实施例通过基于模型融合方法构建神经网络分类器，高效且准确的筛选出所需要的电子地图。

Description

电子地图自适应分类方法、装置、设备及存储介质

技术领域

本发明涉及电子地图和计算机视觉领域，尤其涉及一种电子地图自适应分类方法、装置、设备及存储介质。

背景技术

在我国古代，“版”是登记户口和土地的簿册，“图”是指地图，“版图”即代表了户籍和地图，并逐渐演变成国家疆域的代名词。随着时代发展，地图和人们的日常生活息息相关，直接影响着经济社会发展，甚至国家安全。目前我国地图市场快速扩张、繁荣发展。然而，近年来关于地图使用安全问题事件频发，例如有的地图上漏画、错画我国重要岛屿、国界线等，危及国家主权；有的地图上在互联网中上传、标注敏感和涉密信息，公开登载、非法交易涉密地图等，危及国家安全；有的地图上对相关国家和地区不按我国政治外交主张进行标示，以及非法测图、编图、提供地图服务等，损害国家利益。若是“问题地图”流传开来，不仅对社会公众产生不良影响、损害国家主权安全和利益，更会成为境外敌对势力攻击的把柄，甚至引发国际纠纷！对此必须引起高度重视。

随着电子地图市场的发展日新月异，只有审核技术先行一步，才能在电子地图进入市场之前织成一道安全网。目前地图审核方法主要包括传统的人工目视解译和利用计算机分类两类，但这两种方法都存在一定的局限性，人工目视解译方法分类精度相对较高，但受限于地图的种类繁多以及数量的庞大，而且人不能直接根据图片的大小以及创建时间等基本文件特征，来判断是否是电子地图，导致用人工从普通图片中识别提取电子地图的效率低。而利用计算机分类方法虽然可以提升电子地图识别速度，但是由于许多不是地图的图片却有着和地图高度相似的特征，使得通过计算机对电子地图进行分类的分类精度较低。

发明内容

本发明实施例提供了电子地图自适应分类方法、装置、设备及存储介质，以同时提高电子地图的分类效率和分类精度。

第一方面，本发明实施例提供了一种电子地图自适应分类方法，包括：

获取待分类的电子地图数据；

将所述电子地图数据输入到预先建立的神经网络分类器，根据所述神经网络分类器的输出确定分类结果。

第二方面，本发明实施例还提供了一种电子地图自适应分类装置，包括：

获取模块，用于获取待分类的电子地图数据；

分类模块，用于将所述电子地图数据输入到预先建立的神经网络分类器，根据所述神经网络分类器的输出确定分类结果。

第三方面，本发明实施例还提供了一种计算机设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的电子地图自适应分类方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的电子地图自适应分类方法。

本发明实施例提供的电子地图自适应分类方法、装置、设备及存储介质，通过获取待分类的电子地图数据，并利用完成训练的神经网络分类器对输入的电子地图数据输出分类结果。利用神经网络分类器可以高效且准确的对电子地图数据进行自动识别分类，以筛选所需要的电子地图反馈给用户。

附图说明

图1是本发明实施例一提供的电子地图自适应分类方法的流程示意图；

图2a是本发明实施例二提供的神经网络分类器训练方法的流程示意图；

图2b是本发明实施例二提供的神经网络分类器分类激活函数的示意图；

图2c是本发明实施例二提供的设定完网络模型超参数的目标卷积神经网络模型的结构示意图；

图3是本发明实施例三提供的神经网络分类器训练方法的流程示意图；

图4是本发明实施例四提供的电子地图自适应分类装置的结构示意图；

图5是本发明实施例五提供的计算机设备的结构图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的电子地图自适应分类方法的流程图，本实施例可适用于对互联网中的电子地图进行审核的情况，该方法可以由电子地图自适应分类装置来执行，该装置可以采用软件和/或硬件的方式实现，并集成在计算机设备中。

如图1所示，本发明实施例的电子地图自适应分类方法具体包括：

S101、获取待分类的电子地图数据。

近年来，“问题地图”事件时有发生，经常出现在地图上错画我国重要岛屿及国界线或者在地图上标注敏感及涉密信息，这些都会危及国家主权、国家安全及伤害国民情感。因此需要对电子地图在进入市场之前进行严格审核，同时对已经进入市场的电子地图进行检查。因此，首先需要从电子地图网站和互联网上获取待分类的电子地图数据，其中，待分类的电子地图数据可以是用户通过各式设备采集并上传的数据或通过爬虫程序从互联网上爬取的电子地图数据。

S102、将所述电子地图数据输入到预先建立的神经网络分类器，根据所述神经网络分类器的输出确定分类结果。

由于神经网络分类器的输出值为(0，1)之间的概率值，因此根据输出值与分类阈值的关系即可确定分类结果，例如输出值大于分类阈值的为一类，输出值小于分类阈值的为另一类，若输出值等于分类阈值，可通过人工进行校验。示例性的，将电子地图数据输入到神经网络分类器后，根据神经网络分类器的输出值将电子地图数据分为电子地图和问题地图两类，由此达到了从电子地图中筛选问题地图的目的。进一步的，如果电子地图数据中还包括不是电子地图却和电子地图有着高度相似特征的图片，也可通过神经网络分类器将该类图片筛选出来。由此利用神经网络分类器可实现从待分类的电子地图数据中筛选用户所需的电子地图。

优选的，所述预先训练的神经网络分类器是基于模型融合的方法建立的，包括多个顺序排列的不同卷积神经网络，且多个不同卷积神经网络最后的全连接层均被替换为全局平均池化层或全局最大池化层，以达到分类目的。

需要说明的是，本实施例提供的电子地图自适应分类方法还适用于从普通图片中筛选电子地图的情况，具体的，在互联网上爬取一定数量的图片数据，其中，图片数据包括普通图片和电子地图，将图片数据输入到预先建立的神经网络分类器后，根据神经网络分类器的输出值即可将图片数据分成普通图片和电子地图两类，由此达到从普通图片中筛选电子地图的目的。

在本实施例中，通过获取待分类的电子地图数据或图片数据，并利用预先完成训练的神经网络分类器对输入的电子地图数据或图片数据输出分类结果。利用神经网络分类器可以高效且准确的对电子地图数据或图片数据进行自动识别分类，以筛选所需要的电子地图反馈给用户。

实施例二

图2a为本发明实施例二提供的神经网络分类器训练方法的流程示意图，用于对神经网络分类器进行训练的情况，如图2a所示，所述神经网络分类器训练方法包括：

S201、获取目标卷积神经网络模型，其中所述目标卷积神经网络模型包括顺序排列的多个卷积神经网络。

目标卷积神经网络模型是基于模型融合方法由多个不同的卷积神经网络构建而成，示例性的，目标卷积神经网络模型中包括3个不同的卷积神经网络，排列方式为ResNet50、Xception、InceptionV3。

S202、基于所述目标卷积神经网络模型，提取训练集中样本数据的特征，并保存为特征向量，其中，所述特征向量的个数与所述目标卷积神经网络模型中顺序排列的卷积神经网络个数相同。

在训练模型之前，还包括数据准备阶段，即获取样本数据并对其进行处理。示例性的，可通过爬虫程序从互联网上爬取样本数据，如爬取5000张电子地图以及5000张普通图片作为样本。清洗样本数据，剔除掉其中的无效图片，包括但不限于格式错误的，信息残缺的，无法打开等不可用的图片。根据预设比例将清洗后的样本数据添加到所述训练集(train set)、验证集(validation set)和测试集(test set)中，示例性的，预设比例为8:1:1，按照是否为电子地图，分别从电子地图和普通图片中选取各自的80％和10％分别加入训练集与验证集中，其中，训练集与验证集中的样本数据具有相似的数学分布。为训练集与验证集中的样本数据赋予相同的、能指明特定类别的标签以供计算机进行训练学习，如电子地图标签记为0，非电子地图标签记为1。将剩余的电子地图和普通图片充分混合后加入到测试集中。优选的，为获得性能更好的模型，可充分打乱训练集、验证集、测试集中文件排列顺序。

由于目标卷积神经网络模型包括3个不同的卷积神经网络ResNet50、Xception和InceptionV3，利用这3个卷积神经网络分别提取训练集中样本数据的特征，能够获取更多更准确的特征，并利用h5py分别进行特征向量的保存。具体的，获取到的特征向量的文件名分别为：“maptest_ResNet50.h5”，“maptest_Xception.h5”，“maptest_InceptionV3.h5”。

S203、获取由多个所述特征向量融合后形成的合成向量。

采用concatenate函数将由S202获得的特征向量“maptest_ResNet50.h5”、“maptest_Xception.h5”和“maptest_InceptionV3.h5”融合成为一个新的合成向量，使得合成向量中样本特征更加准确，后续利用该合成向量训练目标卷积神经网络模型时，能保证目标卷积神经网络模型分类更精确。

S204、基于所述合成向量训练所述目标卷积神经网络模型，并通过验证集中的样本数据对完成训练的所述目标卷积神经网络模型进行验证，以获取训练周期内验证精度大于第一阈值时的目标卷积神经网络模型作为神经网络分类器。

根据获得的特征合成向量，设定合适的网络模型超参数，示例性的，如防止过拟合方法＝dropout、强度＝0.5、分类激活函数＝Sigmoid(见附图2b)、批量大小＝128、迭代轮数＝50、性能评估方法＝accuracy、优化器＝Adam和损失函数＝binary_crossentropy，其中损失函数为L＝y-y*t+log(1+e^-y)。图2c示出了设定完网络模型超参数的目标卷积神经网络模型的结构示意图。

基于合成向量训练设定完网络模型超参数的目标卷积神经网络模型，并通过验证集中的样本数据对完成训练的目标卷积神经网络模型进行验证，在验证过程中，可采用内置回调函数(model checkpoints)对模型的验证精度进行监测，保存训练周期内验证精度大于第一阈值时的目标卷积神经网络模型作为神经网络分类器，优选的，如果训练周期内出现多个大于第一阈值的目标卷积神经网络模型，则将其中验证精度最高的目标卷积神经网络模型作为神经网络分类器，其中，在整个训练周期内可通过多次调整网络模型超参数，增加训练周期内的训练次数。

在确定神经网络分类器之后，还需利用测试集中样本数据对其进行测试，以设定不同的分类策略。示例性的，根据基于神经网络分类器获得的测试图片特征，利用函数将其映射在(0，1)之间形成概率，根据该概率设定不同的分类策略。基于分类策略设定合适的分类阈值，例如，阈值设定为0.5，概率P>0.5的为一类，P<0.5为另外一类。最终可根据分类结果，统计正确分类和错误分类的数量及比例。

本实施例中，通过目标卷积神经网络模型中3个不同的卷积神经网络对输入的样本数据分别进行特征提取并保存为特征向量，融合3个特征向量为合成向量，并以合成向量训练目标卷积神经网络模型，由此使得最终获得的神经网络分类器的分类精度更高，能够准确对电子地图数据进行分类或从普通图片中筛选电子地图。

实施例三

图3为本发明实施例三提供的神经网络分类器训练方法的流程示意图。本实施例在上述实施例的基础上，对获取目标卷积神经网络模型进一步的优化，如图3所示，所述神经网络分类器训练方法包括：

S301、基于多个深度学习框架搭建不同的卷积神经网络。

在深度学习框架上搭建好性能良好的卷积神经网络，具体的，使用ILSVRC(ImageNet Large Scale Visual Recognition Challenge)中的冠军框架InceptionV3、ResNet50、Xception、InceptionResNetV2、VGG19和VGG16搭建6个不同的卷积神经网络。

S302、截断所述不同的卷积神经网络最后的全连接层，并以全局平均池化层或全局最大池化层替代所述全连接层。

截断S301建立的6个不同的卷积神经网络最后的全连接层，并采取全局平均池化(GlobalAveragePooling2D)或全局最大池化(GlobalMaxPooling2D)来替代，以此改变分类数量和属性，达到分类的目的，并且使得网络的参数得以大大降低。

根据不同的卷积神经网络，采取不同的数据预处理方法处理要输入对应卷积神经网络的样本数据，示例性的，将要输入ResNet50、VGG19和VGG16中的图片的大小限定在224*224，而要输入InceptionV3、Xception和InceptionResNetV2中的图片的大小限定为299*299，并且对数据进行归一化处理，限定在(-1,1)之间。由于样本数据相对于神经网络太少，因此，采用Keras实时图像增强算法增加样本数据，具体的，可利用ImageDataGenerator()函数对数据进行上采样(upsampling)，该数据增强方法的特征包括但不限于：数据随机转动＝40、数据水平偏移＝0.1、数据竖直偏移＝0.1、数据尺寸随机缩放＝0.2、数据随机水平翻转＝True、数据随机裁剪＝0.1。

S303、基于设定的网络模型超参数，对所述不同的卷积神经网络进行不同的排列组合，以构建多个卷积神经网络模型。

设定网络的超参数，示例性的，如网络模型数量＝3，即从6个不同的卷积神经网络中，任选三个进行排列组合(共120种组合)，根据模型融合方法，将获得的120种卷积神经网络排列组合分别进行融合，以构建120个卷积神经网络模型，示例性的，以ResNet50、Xception、InceptionV3排列组合构建卷积神经网络模型进行说明。首先该卷积神经网络模型的输入层同时连接到ResNet50、Xception、InceptionV3三种不同卷积神经网络，如此可将样本数据同时输入到三个卷积神经网络中。其次将三个不同的卷积神经网络最后的全局平均池化层或全局最大池化层连接到同一个融合层(Merge层)，通过该融合层将三个不同的卷积神经网络输出的特征进行融合处理，以获得融合后的特征。最后，融合后的特征通过该卷积神经网络模型带有激活函数的全连接层可直接输出分类结果。由此实现利用ResNet50、Xception、InceptionV3排列组合融合构建一个卷积神经网络模型，利用该卷积神经网络模型可达到对电子地图分类的目的。

S304、筛选所述多个卷积神经网络模型中分类精度大于第二阈值的卷积神经网络模型作为目标卷积神经网络模型。

将样本数据分别输入到S303建立的120种卷积神经网络模型中，根据每个卷积神经网络模型的输出结果统计计算各自的分类精度，筛选其中分类精度大于第二阈值的卷积神经网络模型作为目标卷积神经网络模型，优选的，如果其中有多个卷积神经网络模型的分类精度大于第二阈值，则选择其中分类精度最高的卷积神经网络模型作为目标卷积神经网络模型。

本实施例中，通过对多个不同卷积神经网络进行排列组合，构建多个卷积神经网络模型，并从中筛选出何种排列组合构成的卷积神经网络模型的分类精度最高，以便将其作为目标卷积神经网络进行训练，以获得最优的神经网络分类器。

实施例四

图4是本发明实施例四提供的电子地图自适应分类装置的结构示意图，如图4所示，所述装置包括：

获取模块401，用于获取待分类的电子地图数据；

分类模块402，用于将所述电子地图数据输入到预先建立的神经网络分类器，根据所述神经网络分类器的输出确定分类结果。

在本实施例中，通过获取模块401获取待分类的电子地图数据，并将其输入到分类模块402中以完成电子地图数据的分类。利用神经网络分类器可以高效且准确的对电子地图数据进行自动识别分类，以筛选所需要的电子地图反馈给用户。

在上述各实施例的基础上，所述装置还包括神经网络分类器建立模块，具体包括：

获取单元，用于获取目标卷积神经网络模型，其中所述目标卷积神经网络模型包括顺序排列的多个卷积神经网络；

特征提取单元，用于基于所述目标卷积神经网络模型，提取训练集中样本数据的特征，并保存为特征向量，其中，所述特征向量的个数与所述目标卷积神经网络模型中顺序排列的卷积神经网络个数相同；

合成单元，用于获取由多个所述特征向量融合后形成的合成向量；

训练验证单元，用于基于所述合成向量训练所述目标卷积神经网络模型，并通过验证集中的样本数据对完成训练的所述目标卷积神经网络模型进行验证，以获取训练周期内验证精度大于第一阈值时的目标卷积神经网络模型作为神经网络分类器。

在上述各实施例的基础上，所述神经网络分类器建立模块还包括：

第一构建单元，用于基于多个深度学习框架搭建不同的卷积神经网络；

替换单元，用于截断所述不同的卷积神经网络最后的全连接层，并以全局平均池化层或全局最大池化层替代所述全连接层；

第二构建单元，用于基于设定的网络模型超参数，对所述不同的卷积神经网络进行不同的排列组合，以构建多个卷积神经网络模型；

筛选单元，用于筛选所述多个卷积神经网络模型中分类精度大于第二阈值的卷积神经网络模型作为目标卷积神经网络模型。

在上述各实施例的基础上，所述神经网络分类器建立模块还包括：

策略设定单元，用于利用测试集中样本数据对已确定的神经网络分类器进行测试，以设定不同的分类策略。

在上述各实施例的基础上，所述神经网络分类器建立模块还包括：

获取处理单元，用于获取样本数据，并对所述样本数据进行清洗；

添加单元，用于根据预设比例将清洗后的样本数据添加到所述训练集、验证集和测试集中，其中，训练集与验证集中的样本数据具有相似的数学分布。

本发明实施例所提供的电子地图自适应分类装置可执行本发明任意实施例所提供的电子地图自适应分类方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5为本发明实施例五提供的计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的电子地图自适应分类方法。

实施例六

本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的电子地图自适应分类方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、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)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”如”语言或类似的程序设计语言。程序代码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)域连接到用户计算机，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)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种电子地图自适应分类方法，其特征在于，所述方法包括：

获取待分类的电子地图数据；

将所述电子地图数据输入到预先建立的神经网络分类器，根据所述神经网络分类器的输出确定分类结果。

2.根据权利要求1所述的方法，其特征在于，预先建立神经网络分类器的操作包括：

获取目标卷积神经网络模型，其中，所述目标卷积神经网络模型包括顺序排列的多个卷积神经网络；

基于所述目标卷积神经网络模型，提取训练集中样本数据的特征，并保存为特征向量，其中，所述特征向量的个数与所述目标卷积神经网络模型中顺序排列的卷积神经网络个数相同；

获取由多个所述特征向量融合后形成的合成向量；

基于所述合成向量训练所述目标卷积神经网络模型，并通过验证集中的样本数据对完成训练的所述目标卷积神经网络模型进行验证，以获取训练周期内验证精度大于第一阈值时的目标卷积神经网络模型作为神经网络分类器。

3.根据权利要求2所述的方法，其特征在于，所述获取目标卷积神经网络模型，包括：

基于多个深度学习框架搭建不同的卷积神经网络；

截断所述不同的卷积神经网络最后的全连接层，并以全局平均池化层或全局最大池化层替代所述全连接层；

基于设定的网络模型超参数，对所述不同的卷积神经网络进行不同的排列组合，以构建多个卷积神经网络模型；

筛选所述多个卷积神经网络模型中分类精度大于第二阈值的卷积神经网络模型作为目标卷积神经网络模型。

4.根据权利要求2所述的方法，其特征在于，在确定神经网络分类器之后，所述预先建立神经网络分类器的操作还包括：

利用测试集中样本数据对已确定的神经网络分类器进行测试，以设定不同的分类策略。

5.根据权利要求2-4所述的方法，其特征在于，所述预先建立神经网络分类器的操作还包括：

获取样本数据，并对所述样本数据进行清洗；

根据预设比例将清洗后的样本数据添加到所述训练集、验证集和测试集中，其中，训练集与验证集中的样本数据具有相似的数学分布。

6.一种电子地图自适应分类装置，其特征在于，所述装置包括：

获取模块，用于获取待分类的电子地图数据；

分类模块，用于将所述电子地图数据输入到预先建立的神经网络分类器，根据所述神经网络分类器的输出确定分类结果。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括神经网络分类器建立模块，具体包括：

获取单元，用于获取目标卷积神经网络模型，其中所述目标卷积神经网络模型包括顺序排列的多个卷积神经网络；

特征提取单元，用于基于所述目标卷积神经网络模型，提取训练集中样本数据的特征，并保存为特征向量，其中，所述特征向量的个数与所述目标卷积神经网络模型中顺序排列的卷积神经网络个数相同；

合成单元，用于获取由多个所述特征向量融合后形成的合成向量；

训练验证单元，用于基于所述合成向量训练所述目标卷积神经网络模型，并通过验证集中的样本数据对完成训练的所述目标卷积神经网络模型进行验证，以获取训练周期内验证精度大于第一阈值时的目标卷积神经网络模型作为神经网络分类器。

8.根据权利要求6所述的装置，其特征在于，所述神经网络分类器建立模块还包括：

第一构建单元，用于基于多个深度学习框架搭建不同的卷积神经网络；

替换模块，用于截断所述不同的卷积神经网络最后的全连接层，并以全局平均池化层或全局最大池化层替代所述全连接层；

第二构建单元，用于基于设定的网络模型超参数，对所述不同的卷积神经网络进行不同的排列组合，以构建多个卷积神经网络模型；

筛选单元，用于筛选所述多个卷积神经网络模型中分类精度大于第二阈值的卷积神经网络模型作为目标卷积神经网络模型。

9.一种计算机设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的电子地图自适应分类方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的电子地图自适应分类方法。