CN110555352B - 一种兴趣点识别方法、装置、服务器和存储介质 - Google Patents
一种兴趣点识别方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN110555352B CN110555352B CN201810564988.2A CN201810564988A CN110555352B CN 110555352 B CN110555352 B CN 110555352B CN 201810564988 A CN201810564988 A CN 201810564988A CN 110555352 B CN110555352 B CN 110555352B
- Authority
- CN
- China
- Prior art keywords
- interest
- region
- interest points
- satellite images
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种兴趣点识别方法、装置、服务器和存储介质。所述方法包括:获取各区域的卫星图像;采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量,其中所述兴趣点识别模型是依据样本区域的卫星图像以及兴趣点数量,基于神经网络模型训练得到的。本发明实施例提供的技术方案可以提高各区域内兴趣点数量的识别准确度。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种兴趣点识别方法、装置、服务器和存储介质。
背景技术
兴趣点(Point Of Interest,POI)是指电子地图上的地标或景点,用于标示出该地所代表的场所,理论上任何可以命名的建筑、区域以及特定意义点都可以作为兴趣点。
为了确保电子地图中兴趣点信息的准确性,目前可以基于卫星图像对兴趣点的信息进行识别及确认。但是传统的图像识别技术一般是采用边缘提取等技术对卫星图像中的楼块进行分析和提取,通过楼块来进行兴趣点的确认。这种方式只能识别出具体的楼块/建筑物的个数,但是一个楼块/建筑物可能包含有多个兴趣点,也可能没有兴趣点。例如小区附近和道路旁存在很多生活服务类的兴趣点,而这些兴趣点密度的判断仅靠楼块是不够的,还与附近的道路、树木和地貌等其他信息有关。所以现有的方式存在比较大的局限性。
发明内容
本发明实施例提供了一种兴趣点识别方法、装置、服务器和存储介质,可以提高各区域内兴趣点数量识别的准确率。
第一方面,本发明实施例提供了一种兴趣点识别方法,包括:
获取各区域的卫星图像;
采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量,其中所述兴趣点识别模型是依据样本区域的卫星图像以及兴趣点数量,基于神经网络模型训练得到的。
第二方面,本发明实施例还提供了一种兴趣点识别装置,该装置包括:
获取模块,用于获取各区域的卫星图像;
识别模块,用于采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量,其中所述兴趣点识别模型是依据样本区域的卫星图像以及兴趣点数量,基于神经网络模型训练得到的。
第三方面,本发明实施例还提供了一种服务器,所述服务器包括:
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上所述的兴趣点识别方法。
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上所述的兴趣点识别方法。
本发明实施例通过深度学习建立样本区域中兴趣点数量与卫星图像的关系,从而通过某一区域的卫星图像不仅能识别出楼块的数量,还能识别该区域的兴趣点数量。本发明实施例提供的技术方案可以提高各区域内兴趣点数量的识别准确率。
附图说明
图1为本发明实施例一中的兴趣点识别方法的流程图;
图2为本发明实施例二中的兴趣点识别方法的流程图;
图3为本发明实施例二中的某区域兴趣点数量的归一化示意图;
图4为本发明实施例三中的兴趣点识别装置的结构示意图;
图5为本发明实施例四中的服务器的结构示意图。
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为本发明实施例一提供的兴趣点识别方法的流程图,本实施例可适用于兴趣点识别的情况,该方法可以由兴趣点识别装置来执行,具体包括如下步骤:
S110、获取各区域的卫星图像。
其中,卫星图像,又称遥感图像,是通过卫星在太空中探测地球地表物体对电磁波的反射和其发射的电磁波,将这些电波信息转换及识别得到的图像。卫星图像的使用范围很广,比如用于检测地面的信息,探测地理位置、地形等,同时还可以应用于城乡规划、导航系统、军事指挥部署、监测灾情和抗灾救灾部署等。
具体的,可以通过卫星观测系统获取各区域的卫星图像,并将所述卫星图像压缩到预设尺寸,所述预设尺寸可以根据需要进行设置。
S120、采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量,其中所述兴趣点识别模型是依据样本区域的卫星图像以及兴趣点数量,基于神经网络模型训练得到的。
其中,所述神经网络模型可以为任意一个可以解决回归问题的神经网络模型,为了提高神经网络模型的处理效率,所述神经网络模型优选可以是Alexnet神经网络模型。但是经典的Alexnet神经网络模型都是属于解决图像分类问题的范畴,然而本实施例中的兴趣点识别是一个回归问题,因此,需要对Alexnet神经网络模型中的网络输出层和损失函数进行修改。
所述神经网络模型中输出层的激活函数是适用于回归类问题的激活函数。将Alexnet神经网络模型中的网络输出层的激活函数(Activation Function)由Softmax函数修改为适用于回归类问题的激活函数,可以是Abs、Exp、Identity、Linear、Log、Square、Sigmoid、Relu、BRelu、SoftRelu、Tanh、STanh或者SoftSign。若所述激活函数为Sigmoid函数,可以将输出数据维度降为1。
为了提高在训练过程中出现大误差预测结果的样本集的惩罚力度也就是提高预测值与真实值差别大的样本集的惩罚力度,所述神经网络模型的损失函数可以是最小均方误差损失函数或绝对值函数。
具体的,选择样本区域,并将样本区域的卫星图像作为神经网络模型的输入,样本区域的兴趣点数量作为输出,对神经网络模型进行训练,得到训练好的神经网络模型作为兴趣点识别模型。采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量。
本实施例的技术方案,通过获取各区域的卫星图像,采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量。通过深度学习建立样本区域中兴趣点数量与卫星图像的关系,从而通过某一区域的卫星图像不仅能识别出楼块的数量,还能识别该区域的兴趣点数量。
在上述技术方案的基础上,可选的,依据样本区域的卫星图像以及兴趣点数量,基于神经网络模型训练得到兴趣点识别模型,包括:对原始卫星图像进行拼接得到样本区域的卫星图像,其中不同样本区域的卫星图像尺寸相同;调用地图接口获取样本区域的兴趣点数量;依据样本区域的卫星图像和兴趣点数量对初始神经网络模型进行训练得到兴趣点识别模型。
可选的,依据所述各区域的卫星图像得到各区域的兴趣点数量之后,还包括:依据各区域的面积以及各区域的兴趣点数量确定各区域的兴趣点密度。
可选的,依据所述各区域的卫星图像得到各区域的兴趣点数量之后,还包括:若检测到任一区域的兴趣点数量与该区域的历史兴趣点数量之间的差值大于预设的数量阈值,则生成该区域的兴趣点校验事件。
实施例二
图2为本发明实施例二中的兴趣点识别方法的流程图。本实施例在上述实施例的基础上,进一步优化了上述兴趣点识别方法。相应的,本实施例的方法具体可以包括:
S210、对原始卫星图像进行拼接得到样本区域的卫星图像,其中不同样本区域的卫星图像尺寸相同。
具体的,对获取到的原始卫星图像进行预设方式和预设步长的拼接,得到不同样本区域的卫星图像,其中不同样本区域的卫星图像尺寸相同。
示例性的,若预设方式为3*3,拼接的预设步长为1,当前获取的是18级的卫星图像,每幅图像分辨率为256*256,对其进行3*3方式的拼接,拼接步长为1,拼接之后可以得到56万张分辨率为768*768的样本区域的卫星图像。
卫星图像一般根据不同的分辨率分成不同的级别,大概分为22个层级,每个层级的比例尺不相同,各个级别对应的空间分辨率、相应比例尺和视点高度等参数也不相同。
S220、调用地图接口获取样本区域的兴趣点数量。
具体的,通过调用地图接口可以获取样本区域包含的的有效兴趣点数量,并依据神经网络模型的激活函数的定义域对兴趣点数量进行变换。
示例性的,若激活函数为Sigmoid函数,该函数的定义域为0到1,因此可以采用公式将兴趣点数量变换到(0,1)的范围内,参见图3,图3为本发明实施例二中的某区域兴趣点数量的归一化示意图,图中x为某区域内兴趣点数量,y为变换后的测度值。
S230、依据样本区域的卫星图像和兴趣点数量对初始神经网络模型进行训练得到兴趣点识别模型。
具体的,将样本区域的卫星图像作为初始神经网络模型的输入,将获取到的样本区域的兴趣点数量作为输出进行训练,可以得到兴趣点识别模型。
其中,为了提高神经网络模型的处理效率,所述神经网络模型优选可以是Alexnet神经网络模型。所述神经网络模型中输出层的激活函数是适用于回归类问题的激活函数;所述神经网络模型的损失函数可以是最小均方误差损失函数或绝对值函数。
此外,若步骤210中得到的样本区域的卫星图像的分辨率为768*768,在输入神经网络模型之前,可选的,对分辨率为768*768的卫星图像进行调整,即压缩。压缩的目标尺寸主要根据训练/推理(training/inference)的速度和图像保留信息是否充足这两个因素来确定,可以按比例进行调整,压缩的目标尺寸可以为512*512、256*256、128*128或64*64。本实施例中,可以选择压缩的目标尺寸为512*512。
S240、获取各区域的卫星图像。
具体的,可以通过卫星观测系统获取各区域的卫星图像,并将所述卫星图像压缩到预设尺寸,所述预设尺寸可以根据需要进行设置。所述预设尺寸可以设置为训练数据的尺寸,如可以设置为512*512。
S250、采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量。
其中所述兴趣点识别模型是步骤230中依据样本区域的卫星图像以及兴趣点数量,基于神经网络模型训练得到的。
S260、依据各区域的面积以及各区域的兴趣点数量确定各区域的兴趣点密度。
具体的,依据各区域的面积以及各区域的兴趣点数量,可以确定各区域的兴趣点密度,所述各区域的兴趣点密度等于各区域的面积/各区域的兴趣点数量。
此外,依据所述各区域的卫星图像得到各区域的兴趣点数量之后,还可以包括:若检测到任一区域的兴趣点数量与该区域的历史兴趣点数量之间的差值大于预设的数量阈值,则生成该区域的兴趣点校验事件。通过兴趣点校验事件可以进一步提高兴趣点识别的准确性。
本实施例的技术方案,基于神经网络模型训练得到兴趣点识别模型,通过获取各区域的卫星图像,采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量和兴趣点密度。通过深度学习建立样本区域中兴趣点数量与卫星图像的关系,从而通过某一区域的卫星图像不仅能识别出楼块的数量,还能识别该区域的兴趣点数量。本实施例提供的技术方案可以解决一些楼块少但是对应的兴趣点数量很多的问题,提高各区域内兴趣点数量以及各区域内兴趣点密度的识别准确率。
实施例三
图4为本发明实施例三中的兴趣点识别装置的结构示意图。所述装置可以包括:
获取模块310,用于获取各区域的卫星图像;
识别模块320,用于采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量,其中所述兴趣点识别模型是依据样本区域的卫星图像以及兴趣点数量,基于神经网络模型训练得到的。
进一步的,所述神经网络模型中输出层的激活函数是适用于回归类问题的激活函数。
进一步的,所述神经网络模型的损失函数是最小均方误差损失函数或绝对值函数。
进一步的,所述识别模块320具体用于:
对原始卫星图像进行拼接得到样本区域的卫星图像,其中不同样本区域的卫星图像尺寸相同;
调用地图接口获取样本区域的兴趣点数量;
依据样本区域的卫星图像和兴趣点数量对初始神经网络模型进行训练得到兴趣点识别模型。
进一步的,该装置还可以包括兴趣点密度模块,所述兴趣点密度模块具体可以用于:
根据各区域的面积以及各区域的兴趣点数量确定各区域的兴趣点密度。
进一步的,该装置还可以包括校验模块,所述校验模块具体可以用于:
若检测到任一区域的兴趣点数量与该区域的历史兴趣点数量之间的差值大于预设的数量阈值,则生成该区域的兴趣点校验事件。
本发明实施例所提供的兴趣点识别装置可执行本发明任意实施例所提供的兴趣点识别方法,可以通过某一区域兴趣点密度来判断该区域是否进行了拆迁或新建了大量建筑,快速发现兴趣点大规模变动的区域,以通知外业进行采集,由此可以提升地图的兴趣点更新速度。
本发明实施例所提供的兴趣点识别装置可执行本发明任意实施例所提供的兴趣点识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四中的服务器的结构示意图。图5示出了适于用来实现本发明实施方式的示例性服务器412的框图。图5显示的服务器412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,服务器412以通用计算设备的形式表现。服务器412的组件可以包括但不限于:一个或者多个处理器416,系统存储器428,连接不同系统组件(包括系统存储器428和处理器416)的总线418。
总线418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416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。
服务器412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服务器412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428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)430和/或高速缓存存储器432。服务器412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434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418相连。存储器428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442的程序/实用工具440,可以存储在例如存储器428中,这样的程序模块442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442通常执行本发明所描述的实施例中的功能和/或方法。
服务器412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信,还可与一个或者多个使得用户能与该服务器412交互的设备通信,和/或与使得该服务器412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422进行。并且,服务器412还可以通过网络适配器420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420通过总线418与服务器412的其它模块通信。应当明白,尽管图中未示出,可以结合服务器412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。
处理器416通过运行存储在系统存储器428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兴趣点识别方法,该方法包括:
获取各区域的卫星图像;
采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量,其中所述兴趣点识别模型是依据样本区域的卫星图像以及兴趣点数量,基于神经网络模型训练得到的。
实施例五
本发明实施例五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兴趣点识别方法,该方法包括:
获取各区域的卫星图像;
采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量,其中所述兴趣点识别模型是依据样本区域的卫星图像以及兴趣点数量,基于神经网络模型训练得到的。
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“C”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)—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 (12)
1.一种兴趣点识别方法,其特征在于,包括:
获取各区域的卫星图像;
采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量;其中,兴趣点为电子地图上的地标或景点,用于标示出该兴趣点所在地所代表的场所;
其中,所述兴趣点识别模型的训练过程包括:
对原始卫星图像进行拼接得到样本区域的卫星图像,其中不同样本区域的卫星图像尺寸相同;
调用地图接口获取样本区域的兴趣点数量;
依据样本区域的卫星图像和兴趣点数量对初始神经网络模型进行训练得到兴趣点识别模型;其中,所述样本区域的卫星图像为所述初始神经网络模型的输入,所述样本区域的兴趣点数量为所述初始神经网络模型的输出。
2.根据权利要求1所述的方法,其特征在于,所述神经网络模型中输出层的激活函数是适用于回归类问题的激活函数。
3.根据权利要求2所述的方法,其特征在于,所述神经网络模型的损失函数是最小均方误差损失函数或绝对值函数。
4.根据权利要求1所述的方法,其特征在于,依据所述各区域的卫星图像得到各区域的兴趣点数量之后,还包括:
依据各区域的面积以及各区域的兴趣点数量确定各区域的兴趣点密度。
5.根据权利要求1所述的方法,其特征在于,依据所述各区域的卫星图像得到各区域的兴趣点数量之后,还包括:
若检测到任一区域的兴趣点数量与该区域的历史兴趣点数量之间的差值大于预设的数量阈值,则生成该区域的兴趣点校验事件。
6.一种兴趣点识别装置,其特征在于,包括:
获取模块,用于获取各区域的卫星图像;
识别模块,用于采用兴趣点识别模型,依据所述各区域的卫星图像得到各区域的兴趣点数量;其中,兴趣点为电子地图上的地标或景点,用于标示出该兴趣点所在地所代表的场所;其中所述兴趣点识别模型是依据样本区域的卫星图像以及兴趣点数量,基于神经网络模型训练得到的;
所述识别模块具体用于:
对原始卫星图像进行拼接得到样本区域的卫星图像,其中不同样本区域的卫星图像尺寸相同;
调用地图接口获取样本区域的兴趣点数量;
依据样本区域的卫星图像和兴趣点数量对初始神经网络模型进行训练得到兴趣点识别模型;其中,所述样本区域的卫星图像为所述初始神经网络模型的输入,所述样本区域的兴趣点数量为所述初始神经网络模型的输出。
7.根据权利要求6所述的装置,其特征在于,所述神经网络模型中输出层的激活函数是适用于回归类问题的激活函数。
8.根据权利要求7所述的装置,其特征在于,所述神经网络模型的损失函数是最小均方误差损失函数或绝对值函数。
9.根据权利要求6所述的装置,其特征在于,还包括兴趣点密度模块,所述兴趣点密度模块具体用于:
根据各区域的面积以及各区域的兴趣点数量确定各区域的兴趣点密度。
10.根据权利要求6所述的装置,其特征在于,还包括校验模块,所述校验模块具体用于:
若检测到任一区域的兴趣点数量与该区域的历史兴趣点数量之间的差值大于预设的数量阈值,则生成该区域的兴趣点校验事件。
11.一种服务器,其特征在于,所述服务器包括:
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中任一所述的兴趣点识别方法。
12.一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中任一所述的兴趣点识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810564988.2A CN110555352B (zh) | 2018-06-04 | 2018-06-04 | 一种兴趣点识别方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810564988.2A CN110555352B (zh) | 2018-06-04 | 2018-06-04 | 一种兴趣点识别方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555352A CN110555352A (zh) | 2019-12-10 |
CN110555352B true CN110555352B (zh) | 2022-11-08 |
Family
ID=68736027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810564988.2A Active CN110555352B (zh) | 2018-06-04 | 2018-06-04 | 一种兴趣点识别方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555352B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523392B (zh) * | 2020-03-26 | 2023-06-06 | 北京航天自动控制研究所 | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 |
CN112146676B (zh) * | 2020-09-17 | 2022-10-25 | 北京小米移动软件有限公司 | 信息导航方法、装置、设备及存储介质 |
CN115620157A (zh) * | 2022-09-21 | 2023-01-17 | 清华大学 | 一种卫星图像的表征学习方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971589A (zh) * | 2013-01-28 | 2014-08-06 | 腾讯科技(深圳)有限公司 | 将地图的兴趣点信息添加于街景图像中的处理方法及装置 |
CN104978738A (zh) * | 2014-04-09 | 2015-10-14 | 鹦鹉股份有限公司 | 检测数字图像中的兴趣点的方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9177474B2 (en) * | 2010-03-15 | 2015-11-03 | GM Global Technology Operations LLC | Vehicle navigation system and method |
US20150117796A1 (en) * | 2011-03-28 | 2015-04-30 | Google Inc. | Method and system for prioritizing points of interest for display in a map |
US9080885B2 (en) * | 2012-06-05 | 2015-07-14 | Apple Inc. | Determining to display designations of points of interest within a map view |
ITTO20130835A1 (it) * | 2013-10-16 | 2015-04-17 | St Microelectronics Srl | Procedimento per produrre descrittori compatti a partire da punti di interesse di immagini digitali, sistema, apparecchiatura e prodotto informatico corrispondenti |
CN107247938B (zh) * | 2017-06-08 | 2019-12-06 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
CN107679189A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 一种兴趣点更新方法、装置、服务器和介质 |
CN107844790A (zh) * | 2017-11-15 | 2018-03-27 | 上海捷售智能科技有限公司 | 一种基于图像识别的菜品识别与收银系统及方法 |
-
2018
- 2018-06-04 CN CN201810564988.2A patent/CN110555352B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971589A (zh) * | 2013-01-28 | 2014-08-06 | 腾讯科技(深圳)有限公司 | 将地图的兴趣点信息添加于街景图像中的处理方法及装置 |
CN104978738A (zh) * | 2014-04-09 | 2015-10-14 | 鹦鹉股份有限公司 | 检测数字图像中的兴趣点的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110555352A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110095752B (zh) | 定位方法、装置、设备和介质 | |
CN109190573B (zh) | 应用于无人驾驶车辆的地面检测方法、电子设备、车辆 | |
CN110555352B (zh) | 一种兴趣点识别方法、装置、服务器和存储介质 | |
CN110427444B (zh) | 导航引导点挖掘方法、装置、设备和存储介质 | |
CN110263713B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
CN112329696A (zh) | 人脸活体检测方法、系统、设备及存储介质 | |
CN108229364B (zh) | 建筑物轮廓生成方法、装置、计算机设备及存储介质 | |
CN108876857B (zh) | 无人驾驶车辆的定位方法、系统、设备及存储介质 | |
CN111178357B (zh) | 车牌识别方法、系统、设备和存储介质 | |
JP2017102672A (ja) | 地理位置情報特定システム及び地理位置情報特定方法 | |
CN112818314A (zh) | 一种设备检测方法、装置、设备及存储介质 | |
CN112308069A (zh) | 一种软件界面的点击测试方法、装置、设备及存储介质 | |
CN110647675A (zh) | 停留点识别及预测模型训练方法、装置及存储介质 | |
CN111220988B (zh) | 一种地图数据处理方法、装置、设备和介质 | |
CN110363193B (zh) | 车辆重识别方法、装置、设备和计算机存储介质 | |
CN109635868B (zh) | 障碍物类别的确定方法、装置、电子设备及存储介质 | |
CN109345567B (zh) | 物体运动轨迹识别方法、装置、设备和存储介质 | |
CN114490910A (zh) | 一种地图的生成方法、装置、电子设备及存储介质 | |
CN112396125B (zh) | 一种定位测试场景的分类方法、装置、设备及存储介质 | |
CN110647600A (zh) | 三维地图的构建方法、装置、服务器及存储介质 | |
CN112857746A (zh) | 一种灯光检测仪的追踪方法、装置、电子设备及存储介质 | |
CN111401229A (zh) | 视觉小目标自动标注方法、装置及电子设备 | |
CN111723799A (zh) | 坐标定位方法、装置、设备及存储介质 | |
CN110853098A (zh) | 机器人定位方法、装置、设备及存储介质 | |
CN115565072A (zh) | 一种道路垃圾识别和定位方法、装置、电子设备及介质 |
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 |