CN110647886A - 兴趣点标注方法、装置、计算机设备和存储介质 - Google Patents

兴趣点标注方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110647886A
CN110647886A CN201910885598.XA CN201910885598A CN110647886A CN 110647886 A CN110647886 A CN 110647886A CN 201910885598 A CN201910885598 A CN 201910885598A CN 110647886 A CN110647886 A CN 110647886A
Authority
CN
China
Prior art keywords
image
annotated
marked
acquisition
candidate
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
Application number
CN201910885598.XA
Other languages
English (en)
Inventor
魏凯
杜宇宁
李晨霞
刘国翌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910885598.XA priority Critical patent/CN110647886A/zh
Publication of CN110647886A publication Critical patent/CN110647886A/zh
Priority to JP2020082432A priority patent/JP6964711B2/ja
Priority to US16/926,238 priority patent/US11403766B2/en
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种兴趣点标注方法、装置、计算机设备和存储介质，方法包括：获取待标注的图像数据，其中，图像数据中包括待标注图像及待标注图像的采集位置；对待标注图像进行特征提取，获取待标注图像的第一图像特征；根据第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定待标注图像对应的第一参考图像；根据第一参考图像的类别及待标注图像的采集位置，对待标注图像进行兴趣点标注。该方法通过图像之间的相似度，确定图像库中与待标注图像对应的已知类别的参考图像，利用参考图像的类别和待标注图像的采集位置对待标注图像的类别和位置进行自动标注，不仅提高了标注效率，还标注了待标注图像的采集位置，可用于后续地图的更新。

Description

兴趣点标注方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像技术领域，尤其涉及一种兴趣点标注方法、装置、计算机设备和存储介质。
背景技术
POI(point of interest)信息点是指导航数据中每个位置信息点的具体信息，比如名称、类别、经纬度、图像等信息。其中，信息点的图像信息经常能够作为POI信息点中极其重要的一部分，单独为各类服务提供底层信息。如何通过已有图像获得更多POI图像已成为该类服务最值得关注的探索点之一。
传统的POI图像标注方法，是通过人工审核的方法，根据已有的POI图像类别，对待标注的图像进行POI标注。当已有的POI图像类别较多时，通过人工方式标注，费力耗时，成本较高。
发明内容
本申请提出一种兴趣点标注方法、装置、计算机设备和存储介质，用于解决现有技术中人工标注POI图像类别，费力耗时、成本高的问题。
本申请一方面实施例提出了一种兴趣点标注方法，包括：
获取待标注的图像数据，其中，所述图像数据中包括待标注图像及所述待标注图像的采集位置；
对所述待标注图像进行特征提取，获取所述待标注图像的第一图像特征；
根据所述第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定所述待标注图像对应的第一参考图像；
根据所述第一参考图像的类别及所述待标注图像的采集位置，对所述待标注图像进行兴趣点标注。
本申请实施例的兴趣点标注方法，通过提取待标注图像的第一图像特征，根据第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定图像库中与待标注图像对应的第一参考图像，根据第一参考图像的类别及待标注图像的采集位置，对待标注图像进行兴趣点标注，从而通过图像之间的相似度，确定图像库中与待标注图像对应的已知类别的参考图像，利用该参考图像的类别和待标注图像的采集位置对待标注图像的类别和位置进行自动标注，不仅提高了标注效率，而且标注了待标注图像的采集位置，可以用于后续地图的更新。
本申请另一方面实施例提出了一种兴趣点标注装置，包括：
第一获取模块，用于获取待标注的图像数据，其中，所述图像数据中包括待标注图像及所述待标注图像的采集位置；
提取模块，用于对所述待标注图像进行特征提取，获取所述待标注图像的第一图像特征；
第一确定模块，用于根据所述第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定所述待标注图像对应的第一参考图像；
标注模块，用于根据所述第一参考图像的类别及所述待标注图像的采集位置，对所述待标注图像进行兴趣点标注。
本申请实施例的兴趣点标注装置，通过提取待标注图像的第一图像特征，根据第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定图像库中与待标注图像对应的第一参考图像，根据第一参考图像的类别及待标注图像的采集位置，对待标注图像进行兴趣点标注，从而通过图像之间的相似度，确定图像库中与待标注图像对应的已知类别的参考图像，利用该参考图像的类别和待标注图像的采集位置对待标注图像的类别和位置进行自动标注，不仅提高了标注效率，而且标注了待标注图像的采集位置，可以用于后续地图的更新。
本申请另一方面实施例提出了一种计算机设备，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述一方面实施例所述的兴趣点标注方法。
本申请另一方面实施例提出了一种非临时性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述一方面实施例所述的兴趣点标注方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的一种兴趣点标注方法的流程示意图；
图2为本申请实施例提供的另一种兴趣点标注方法的流程示意图；
图3为本申请实施例提供的另一种兴趣点标注方法的流程示意图；
图4为本申请实施例提供的一种兴趣点标注装置的结构示意图；
图5示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的兴趣点标注方法、装置、计算机设备和存储介质。
本申请实施例，针对相关技术中人工审核进行POI图像标注的方法，费力耗时、成本高的问题，提出一种兴趣点标注方法，通过图像之间的相似度，确定图像库中与待标注图像对应的已知类别的图像，利用该已知类别的图像对待标注图像进行自动标注，不仅提高了标注效率，而且标注了兴趣点的位置信息，提高了标注质量。
本申请实施例的兴趣点标注方法，可由本申请实施例提供的兴趣点标注装置执行，该装置可配置于计算机设备中，以实现对待标注图像进行兴趣点标注。
图1为本申请实施例提供的一种兴趣点标注方法的流程示意图。
如图1所示，该兴趣点标注方法包括：
步骤101，获取待标注的图像数据，其中，图像数据中包括待标注图像及待标注图像的采集位置。
在实际应用中，通常需要对图像数据进行兴趣点标注，利用带有标注的图像数据，可以进行绘制地图等，比如在电子地图上标注店面、银行、学校等兴趣点。
本实施例中，用户可将拍摄的待标注的图像及待标注图像的采集位置进行上传。比如，用户站在某个位置拍摄某街道得到待标注图像，并将该图像及图像的采集位置进行上传。
其中，待标注图像中可能包含一个兴趣点，也可能包含多个兴趣点；待标注图像的采集位置指采集待标注图像的地理位置，可以是通过GPS获取的经纬度信息，也可以是街道上的具体位置，比如某街道xx号。
步骤102，对待标注图像进行特征提取，获取待标注图像的第一图像特征。
本实施例中，可以通过预先训练的神经网络模型对待标注图像进行特征提取。具体地，将待标注图像输入至预先训练的神经网络模型中，通过神经网络模型提取待标注图像的特征，得到第一图像特征。
在进行特征提取之前，可以利用大量的兴趣点图像进行训练得到该神经网络模型。为了提高模型的准确性，在训练时可以加入负样本，其中，负样本指非兴趣点图像，比如警示标志、安全出口等等。
进一步地，为了提高模型的抗干扰能力，可以对用于训练的兴趣点图像进行数据增广，比如对兴趣点图像数据颜色明暗处理等，从而扩大训练样本数量。利用兴趣点图像以及经过处理的兴趣点图像进行训练，使得到的模型具有一定的抗干扰能力。
步骤103，根据第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定待标注图像对应的第一参考图像。
本实施例中，图像库中包含的各参考图像是已标注的图像，图像库中记录有各参考图像的类别、采集位置等信息。其中，类别包括但不限于医院、餐馆、商场、游乐园、居民小区等等。
具体地，也可以采用对待标注图像进行特征提取的神经网络模型，对图像库中的各参考图像进行特征提取，以获取各参考图像的第二图像特征。然后，计算待标注图像的第一图像特征与图像库中各参考图像的第二图像特征之间的相似度。
更具体地，计算待标注图像的第一图像特征与图像库中各参考图像的第二图像特征之间的距离，用距离表征待标注图像与图像库中各参考图像之间的相似度，距离越大相似性度越小，距离越小相似度越大。
由于图像库中可能包含多种类别的参考图像，可能存在参考图像的第二图像特征与待标注图像的第一图像特征间的相似度非常小，因此在计算出待标注图像的第一图像特征与各参考图像的第二图像特征间的相似度后，利用预设相似度阈值过滤掉相似度小的参考图像，具体地，将相似度大于预设相似度阈值的参考图像作为第一参考图像。
需要说明的是，待标注图像对应的第一参考图像可能是一个，也可能是多个。当然，也可能存在相似度均小于预设相似度阈值的情况，即图像库中不存在与待标注图像相似的参考图像。
步骤104，根据第一参考图像的类别及待标注图像的采集位置，对待标注图像进行兴趣点标注。
由于第一参考图像与待标注图像相似度大于预设相似度阈值，可以认为其类别相同，比如都是餐馆、或者都是医院等等，因此，可以利用第一参考图像的类别标注待标注图像的类别。
若第一参考图像的数量为一个，那么将待标注图像的类别标注为第一参考图像的类别，并标注待标注图像的采集位置。
若第一参考图像的数量是多个，可以将包含图像数量最多的类别作为候选类别，将待标注图像的类别标注为候选类别，并标注待标注图像的采集位置。比如，第一参考图像的数量为4且类别分别是A、A、A、B，那么候选类别为A，将待标注图像的类别标注为A。
本实施例中，不仅对待标注图像的类别进行标注，而且标注采集位置，那么可以根据采集位置区别相同类别不同位置的兴趣点，比如根据采集位置区分连锁店，采集位置也可以用于地图的更新。在实际应用中，用户拍摄的待标注图像中兴趣点的图像，可能只是待标注图像的一部分，待标注图像也有可能包含多个兴趣点。为了提高标注效率，在进行对待标注图像特征提取之前，可先确定待标注图像中的候选标注区域，进而对候选标注区域进行特征提取。下面结合图2进行说明，图2为本申请实施例提供的另一种兴趣点标注方法的流程示意图。
如图2所示，该兴趣点标注方法包括：
步骤201，获取待标注的图像数据，其中，图像数据中包括待标注图像及待标注图像的采集位置。
本实施例中，步骤201与上述步骤101类似，故在此不再赘述。
步骤202，待标注图像进行预处理，获取待标注图像中的候选标注区域。
本实施例中，可利用预先训练的兴趣点识别模型进行检测和裁剪处理，以获取待标注图像中的候选标注区域。
在训练兴趣点识别模型的过程为，获取样本图像集，其中，样本图像集中的每个样本图像具有包含每个标注区域的目标位置信息标注，将每个样本图像输入初始神经网络模型，以获取初始神经网络模型输出的各标注区域的预测位置信息，根据预测位置信息与目标位置信息的差异，对初始神经网络模型进行修正，以生成兴趣点识别模型。
具体地，将待标注图像输入至兴趣点识别模型中，通过兴趣点识别模型裁剪获取候选标注区域，不仅可以筛除待标注图像中的非兴趣点，而且可以提高标注准确性和效率。需要说明的是，待标注图像中的候选标注区域可能是一个，也可能是多个。
步骤203，对候选标注区域进行特征提取，获取候选标注区域的图像特征。
在获取候选标注区域后，对候选标注区域进行特征提取，具体地，可以采用预先训练的神经网络模型对候选标注区域进行特征。
当候选标注区域有多个时，可以对各候选标注区域进行特征提取，获取各候选标注区域的图像特征。
步骤204，根据候选标注区域的图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定候选标注区域对应的第一参考图像。
本实施例中，计算候选标注区域的图像特征与图像特征库中各参考图像的第二图像特征之间的相似度，进而根据相似度确定候选标注区域的第一参考图像。具体过程，与上述确定待标注图像对应的第一参考图像的方法类似，故在此不再赘述。
当待标注图像有多个候选标注区域时，确定每个候选标注区域对应的第一参考图像。
步骤205，根据第一参考图像的类别及待标注图像的采集位置，对待标注图像进行兴趣点标注。
本实施例中，当候选标注区域对应的第一参考图像的数量为一个时，将候选标注区域的类别标注为第一参考图像的类别，并标注待标注图像的采集位置。当第一参考图像的数量为多个时，可以将包含图像数量最多的类别作为候选类别，将候选标注区域的类别标注为候选类别，并标注待标注图像的采集位置。
当候选标注区域为多个时，可根据每个候选标注对应的第一参考图像的类别及待标注图像的采集位置，对待标注图像进行标注，具体的，标注待标注图像包含的每个候选标注区域的类别以及待标注图像的采集位置。当然，也可以对每个候选标注区域的类别和采集位置进行标注。
可以理解的是，同一待标注图像对应的采集位置相同，那么当待标注图像包含多个兴趣点时，那么这些兴趣点对应的采集位置相同。
本申请实施例中，在对待标注图像进行特征提取之前，对待标注图像进行预处理，比如裁剪处理，获取待标注图像的候选标注区域，对候选标注区域进行特征提取，进而对候选标注区域进行兴趣点标注，不仅可以提高标注效率，而且可以提高标注的准确性。
在实际应用中，获取的候选标注区域之间可能存在交叉的情况，如果交叉区域比较大，可能两个候选标注区域实际是同一个兴趣点的图像。
为了提高标注的准确性，在本申请的一个实施例中，若待标注图像中包含至少两个候选标注区域，且第一候选标注区域与第二候选标注区域互相交叉，那么在上述对待标注图像进行特征提取之前，先判断互相交叉区域在第一候选标注区域中的占比是否大于阈值，和/或，互相交叉的区域在第二候选标注区域中的占比是否大于阈值。
如果互相交叉区域在第一候选标注区域中的大于阈值，或互相交叉的区域在第二候选标注区域中的占比大于阈值，或者互相交叉区域在第一候选标注区域和第二候选标注区域中的占比都大于阈值，那么将第一候选标注区域与第二候选标注区域进行融合处理，以使融合后的候选标注区域包含第一候选标注区域和第二候选标注区域。然后，对融合后的候选标注区域进行特征提取。
本申请实施例中，若待标注图像中的候选标注区域中，两个候选标注区域存储交叉区域的情况，判断互相交叉区域在两个候选标注区域中的占比是否满足融合处理的条件，如果满足融合条件，则进行融合处理，然后对融合后的候选标注区域进行特征提取，由此可以提高标注的准确性和标注效率。
如果存在三个或三个以上的候选标注区域互相交叉，可以先判断任意两个候选标注区域是否满足融合处理条件，如果满足，则进行融合处理。然后，再判断融合后的候选标注区域与剩余的某个候选标注区域是否满足融合处理条件。如果满足，则进行融合处理，再判断融合后的候选标注区域与剩余的某个候选标注区域是否满足融合处理条件，直到不能进行融合为止。
为了提高标注的效率，在本申请的一个实施例中，在上述对待标注图像进行兴趣点标注之后，可在图像库中记录待标注图像的类别及采集位置，从而不断扩大图像库中参考图像数量，以便于后续对待标注图像的标注。
在实际应用中，同一位置的店面可能会发生变化，比如理发店更改为餐馆，为了及时确定图像库中的参考图像的采集位置是否有效，下面结合图3进行说明。图3为本申请实施例提供的另一种兴趣点标注方法的流程示意图。
本实施例中，获取的待标注的图像数据中除了包括待标注图像和待标注图像的采集位置，还包括采集参数，比如采集角度、采集设备等。其中，采集角度可以是拍摄对象的正前方，或者偏离正前方角度等等；采集设备可以指采集待标注图像的设备、型号等。
如图3所示，该兴趣点标注方法包括：
步骤301，获取待标注的图像数据，其中，图像数据中包括待标注图像及待标注图像的采集位置。
步骤302，对待标注图像进行特征提取，获取待标注图像的第一图像特征。
步骤303，根据第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定待标注图像对应的第一参考图像。
步骤304，根据第一参考图像的类别及待标注图像的采集位置，对待标注图像进行兴趣点标注。
本实施例中，步骤301-步骤304与上述步骤101-步骤104类似，故在此不再赘述。
步骤305，判断图像库中各参考图像的采集位置及采集参数，是否分别与待标注图像的采集位置及采集参数匹配。
为了确定图像库中是否存在与待标注图像的采集位置和采集参数相同的图像，在对待标注图像进行兴趣点标注后，将图像库中每个参考图像的采集位置与待标注图像的采集位置进行比较，将图像库中各参考图像的采集参数与待标注图像的采集参数进行比较，判断各参考图像的采集位置和采集参数，是否分别与待标注图像的采集位置及采集参数匹配。
比如，判断图像库中各参考图像的采集位置是否与待标注图像的采集位置相同，参考图像的采集角度与待标注图像的采集角度是否匹配，比如，判断参考图像的采集角度与待标注图像的采集角度之差是否小于预设角度阈值。
步骤306，若图像库中的第二参考图像的采集位置与待标注图像的采集位置匹配、且第二参考图像的采集参数与待标注图像的采集参数匹配，则确定图像库中第二参考图像的采集位置无效。
本实施例中，若图像库中第二参考图像的采集位置与待标注图像的采集位置匹配、且第二参考图像的采集参数与待标注图像的采集参数匹配，说明同一采集位置、且相同采集角度下，先后采集的图像中包含的兴趣点不同，则确定图像库中第二参考图像的采集位置无效，说明该采集位置的第二参考图像也已无效，可以记录第二参考图像的采集位置无效，或者将第二参考图像从图像库中删除。
在确定第二参考图像的采集位置无效后，进一步地，可以判断待标注图像与第二参考图像的相似度，若相似度比较低，说明待标注图像与第二参考图像包含的兴趣点不同。
作为一种应用场景，可以通过上述兴趣点标注方法对地图中的兴趣点进行实时更新，具体地，如果确定图像库中存在与待标注图像采集位置和采集参与匹配的参考图像，那么可以利用待标注图像对地图中该采集位置的兴趣点进行更新。比如同一位置、同一角度，相同采集参数先后采集的图像中包含的兴趣点不同，那就可以根据后采集的图像中的兴趣点对地图中的兴趣点进行更新。
比如，原来地图上同样的地理位置附近比如有A店、B店、C店，现在通过本方案的识别出一个兴趣点D，那就可以知道兴趣点D也在该地理位置附近，说明需要在地图上对该地理位置附近的兴趣点进行更新，至于D是替换了A、B或C了，还是个新增的兴趣点，可以通过其他方式进行校验。
为了实现上述实施例，本申请实施例还提供一种兴趣点标注装置。图4为本申请实施例提供的一种兴趣点标注装置的结构示意图。
如图4所示，该兴趣点标注装置包括：第一获取模块410、提取模块420、第一确定模块430、标注模块440。
第一获取模块410，用于获取待标注的图像数据，其中，图像数据中包括待标注图像及待标注图像的采集位置；
提取模块420，用于对待标注图像进行特征提取，获取待标注图像的第一图像特征；
第一确定模块430，用于根据第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定待标注图像对应的第一参考图像；
标注模块440，用于根据第一参考图像的类别及待标注图像的采集位置，对待标注图像进行兴趣点标注。
在本申请实施例一种可能的实现方式中，该装置还包括：
第二获取模块，用于对待标注图像进行预处理，获取待标注图像中的候选标注区域；
上述提取模块420，具体用于对候选标注区域进行特征提取。
在本申请实施例一种可能的实现方式中，上述待标注图像中包括至少两个候选标注区域、且第一候选标注区域与第二候选标注区域互相交叉；
该装置还包括：
第一判断模块，用于判断互相交叉的区域在第一候选标注区域中的占比是否大于阈值，和/或，互相交叉的区域在第二候选标注区域中的占比是否大于阈值；
融合模块，用于当互相交叉的区域在第一候选标注区域中的占比大于阈值，和/或，互相交叉的区域在所述第二候选标注区域中的占比大于阈值时，将第一候选标注区域与第二候选标注区域进行融合处理；
上述提取模块420，具体用于对融合后的候选标注区域进行特征提取。
在本申请实施例一种可能的实现方式中，该装置还包括：
记录模块，用于在图像库中记录待标注图像的类别及采集位置。
在本申请实施例一种可能的实现方式中，上述图像数据中还包括待标注图像的采集参数；
该装置还包括：
第二判断模块，用于判断图像库中各参考图像的采集位置及采集参数，是否分别与待标注图像的采集位置及采集参数匹配；
第二确定模块，用于当图像库中的第二参考图像的采集位置与待标注图像的采集位置匹配、且第二参考图像的采集参数与待标注图像的采集参数匹配时，确定图像库中所述第二参考图像的采集位置无效。
需要说明的是，上述对兴趣点标注方法实施例的解释说明，也适用于该实施例的兴趣点标注装置，故在此不再赘述。
本申请实施例的兴趣点标注装置，通过提取待标注图像的第一图像特征，根据第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定图像库中与待标注图像对应的第一参考图像，根据第一参考图像的类别及待标注图像的采集位置，对待标注图像进行兴趣点标注，从而通过图像之间的相似度，确定图像库中与待标注图像对应的已知类别的参考图像，利用该参考图像的类别和待标注图像的采集位置对待标注图像的类别和位置进行自动标注，不仅提高了标注效率，而且标注了待标注图像的采集位置，可以用于后续地图的更新。
为了实现上述实施例，本申请实施例还提出一种计算机设备，包括处理器和存储器；
其中，处理器通过读取存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述实施例所述的兴趣点标注方法。
图5示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图5显示的计算机设备12仅仅是一个示例，不应对本申请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(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：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。
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(Random Access Memory；以下简称：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：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：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申请各实施例的功能。
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通常执行本申请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(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：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，例如实现前述实施例中提及的方法。
为了实现上述实施例，本申请实施例还提出一种非临时性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述实施例所述的兴趣点标注方法。
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种兴趣点标注方法，其特征在于，包括：
获取待标注的图像数据，其中，所述图像数据中包括待标注图像及所述待标注图像的采集位置；
对所述待标注图像进行特征提取，获取所述待标注图像的第一图像特征；
根据所述第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定所述待标注图像对应的第一参考图像；
根据所述第一参考图像的类别及所述待标注图像的采集位置，对所述待标注图像进行兴趣点标注。
2.如权利要求1所述的方法，其特征在于，所述对所述待标注图像进行特征提取之前，还包括：
对所述待标注图像进行预处理，获取所述待标注图像中的候选标注区域；
所述对所述待标注图像进行特征提取，包括：
对所述候选标注区域进行特征提取。
3.如权利要求2所述的方法，其特征在于，所述待标注图像中包括至少两个候选标注区域、且第一候选标注区域与第二候选标注区域互相交叉；
所述对所述待标注图像进行特征提取之前，还包括：
判断所述互相交叉的区域在所述第一候选标注区域中的占比是否大于阈值，和/或，所述互相交叉的区域在所述第二候选标注区域中的占比是否大于阈值；
若是，则将所述第一候选标注区域与所述第二候选标注区域进行融合处理；
所述对所述待标注图像进行特征提取，包括：
对融合后的候选标注区域进行特征提取。
4.如权利要求1-3任一所述的方法，其特征在于，所述对所述待标注图像进行兴趣点标注之后，还包括：
在所述图像库中记录所述待标注图像的类别及采集位置。
5.如权利要求1-3任一所述的方法，其特征在于，所述图像数据中还包括所述待标注图像的采集参数；
所述对所述待标注图像进行兴趣点标注之后，还包括：
判断所述图像库中各参考图像的采集位置及采集参数，是否分别与所述待标注图像的采集位置及采集参数匹配；
若所述图像库中的第二参考图像的采集位置与所述待标注图像的采集位置匹配、且所述第二参考图像的采集参数与所述待标注图像的采集参数匹配，则确定所述图像库中所述第二参考图像的采集位置无效。
6.一种兴趣点标注装置，其特征在于，包括：
第一获取模块，用于获取待标注的图像数据，其中，所述图像数据中包括待标注图像及所述待标注图像的采集位置；
提取模块，用于对所述待标注图像进行特征提取，获取所述待标注图像的第一图像特征；
第一确定模块，用于根据所述第一图像特征与图像库中各参考图像的各第二图像特征间的相似度，确定所述待标注图像对应的第一参考图像；
标注模块，用于根据所述第一参考图像的类别及所述待标注图像的采集位置，对所述待标注图像进行兴趣点标注。
7.如权利要求6所述的装置，其特征在于，还包括：
第二获取模块，用于对所述待标注图像进行预处理，获取所述待标注图像中的候选标注区域；
所述提取模块，具体用于对所述候选标注区域进行特征提取。
8.如权利要求7所述的装置，其特征在于，所述待标注图像中包括至少两个候选标注区域、且第一候选标注区域与第二候选标注区域互相交叉；
所述装置还包括：
第一判断模块，用于判断所述互相交叉的区域在所述第一候选标注区域中的占比是否大于阈值，和/或，所述互相交叉的区域在所述第二候选标注区域中的占比是否大于阈值；
融合模块，用于当所述互相交叉的区域在所述第一候选标注区域中的占比大于阈值，和/或，所述互相交叉的区域在所述第二候选标注区域中的占比大于阈值时，将所述第一候选标注区域与所述第二候选标注区域进行融合处理；
所述提取模块，具体用于对融合后的候选标注区域进行特征提取。
9.如权利要求6-8任一所述的装置，其特征在于，还包括：
记录模块，用于在所述图像库中记录所述待标注图像的类别及采集位置。
10.如权利要求6-8任一所述的装置，其特征在于，所述图像数据中还包括所述待标注图像的采集参数；
所述装置还包括：
第二判断模块，用于判断所述图像库中各参考图像的采集位置及采集参数，是否分别与所述待标注图像的采集位置及采集参数匹配；
第二确定模块，用于当所述图像库中的第二参考图像的采集位置与所述待标注图像的采集位置匹配、且所述第二参考图像的采集参数与所述待标注图像的采集参数匹配时，确定所述图像库中所述第二参考图像的采集位置无效。
11.一种计算机设备，其特征在于，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-5中任一所述的兴趣点标注方法。
12.一种非临时性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标注方法。
CN201910885598.XA 2019-09-19 2019-09-19 兴趣点标注方法、装置、计算机设备和存储介质 Pending CN110647886A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910885598.XA CN110647886A (zh) 2019-09-19 2019-09-19 兴趣点标注方法、装置、计算机设备和存储介质
JP2020082432A JP6964711B2 (ja) 2019-09-19 2020-05-08 関心点をラベル付けする方法、装置、コンピュータ機器及び記憶媒体
US16/926,238 US11403766B2 (en) 2019-09-19 2020-07-10 Method and device for labeling point of interest

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910885598.XA CN110647886A (zh) 2019-09-19 2019-09-19 兴趣点标注方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110647886A true CN110647886A (zh) 2020-01-03

Family

ID=69010778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910885598.XA Pending CN110647886A (zh) 2019-09-19 2019-09-19 兴趣点标注方法、装置、计算机设备和存储介质

Country Status (3)

Country Link
US (1) US11403766B2 (zh)
JP (1) JP6964711B2 (zh)
CN (1) CN110647886A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522854A (zh) * 2020-03-18 2020-08-11 大箴(杭州)科技有限公司 一种数据标注方法、装置、存储介质及计算机设备
CN112328896A (zh) * 2020-11-26 2021-02-05 北京百度网讯科技有限公司 用于输出信息的方法、装置、电子设备和介质
CN112862813A (zh) * 2021-03-04 2021-05-28 北京柏惠维康科技有限公司 标记点提取方法、装置、电子设备及计算机存储介质
CN112949709A (zh) * 2021-02-26 2021-06-11 北京达佳互联信息技术有限公司 图像数据标注方法、装置、电子设备和存储介质
CN114820679A (zh) * 2022-07-01 2022-07-29 小米汽车科技有限公司 图像标注方法、装置、电子设备和存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113360590B (zh) * 2021-06-22 2024-03-12 北京百度网讯科技有限公司 兴趣点信息的更新方法、装置、电子设备及存储介质
CN115191008A (zh) * 2021-12-10 2022-10-14 商汤国际私人有限公司 对象识别方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376118A (zh) * 2014-12-03 2015-02-25 北京理工大学 基于全景图的精确标注兴趣点的户外移动增强现实方法
US20150117796A1 (en) * 2011-03-28 2015-04-30 Google Inc. Method and system for prioritizing points of interest for display in a map
US20150169977A1 (en) * 2011-12-12 2015-06-18 Google Inc. Updating point of interest data based on an image
CN105989092A (zh) * 2015-02-12 2016-10-05 东芝医疗系统株式会社 医学图像处理设备、医学图像处理方法以及医学成像系统
CN108694882A (zh) * 2017-04-11 2018-10-23 百度在线网络技术（北京）有限公司 用于标注地图的方法、装置和设备
CN109062988A (zh) * 2018-06-29 2018-12-21 百度在线网络技术（北京）有限公司 街景图像的更新方法及装置
CN109726255A (zh) * 2018-12-18 2019-05-07 斑马网络技术有限公司 Poi的自动更新方法、装置、系统及存储介质
US20190204094A1 (en) * 2017-12-29 2019-07-04 Baidu Online Network Technology (Beijing) Co., Ltd. Method, apparatus, and computer readable storage medium for updating electronic map

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293367A (ja) * 2004-04-01 2005-10-20 Seiko Epson Corp 画像処理方法及び装置
US20130129142A1 (en) * 2011-11-17 2013-05-23 Microsoft Corporation Automatic tag generation based on image content
US20130328926A1 (en) * 2012-06-08 2013-12-12 Samsung Electronics Co., Ltd Augmented reality arrangement of nearby location information
JP2015109024A (ja) * 2013-12-05 2015-06-11 日本電信電話株式会社 画像辞書生成装置、画像辞書生成方法及びコンピュータプログラム
US9558268B2 (en) * 2014-08-20 2017-01-31 Mitsubishi Electric Research Laboratories, Inc. Method for semantically labeling an image of a scene using recursive context propagation
JP6151677B2 (ja) * 2014-10-16 2017-06-21 セコム株式会社 物体検出装置
US10467284B2 (en) * 2015-08-03 2019-11-05 Google Llc Establishment anchoring with geolocated imagery
JP6728404B2 (ja) * 2016-05-19 2020-07-22 シムビ ロボティクス, インコーポレイテッドSimbe Robotics, Inc. 店舗の棚への製品の配置を追跡する方法
EP3637303B1 (en) * 2018-10-09 2024-02-14 Naver Corporation Methods for generating a base of training images, for training a cnn and for detecting a poi change in a pair of inputted poi images using said cnn

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150117796A1 (en) * 2011-03-28 2015-04-30 Google Inc. Method and system for prioritizing points of interest for display in a map
US20150169977A1 (en) * 2011-12-12 2015-06-18 Google Inc. Updating point of interest data based on an image
CN104376118A (zh) * 2014-12-03 2015-02-25 北京理工大学 基于全景图的精确标注兴趣点的户外移动增强现实方法
CN105989092A (zh) * 2015-02-12 2016-10-05 东芝医疗系统株式会社 医学图像处理设备、医学图像处理方法以及医学成像系统
CN108694882A (zh) * 2017-04-11 2018-10-23 百度在线网络技术（北京）有限公司 用于标注地图的方法、装置和设备
US20190204094A1 (en) * 2017-12-29 2019-07-04 Baidu Online Network Technology (Beijing) Co., Ltd. Method, apparatus, and computer readable storage medium for updating electronic map
CN109062988A (zh) * 2018-06-29 2018-12-21 百度在线网络技术（北京）有限公司 街景图像的更新方法及装置
CN109726255A (zh) * 2018-12-18 2019-05-07 斑马网络技术有限公司 Poi的自动更新方法、装置、系统及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522854A (zh) * 2020-03-18 2020-08-11 大箴(杭州)科技有限公司 一种数据标注方法、装置、存储介质及计算机设备
CN112328896A (zh) * 2020-11-26 2021-02-05 北京百度网讯科技有限公司 用于输出信息的方法、装置、电子设备和介质
CN112328896B (zh) * 2020-11-26 2024-03-15 北京百度网讯科技有限公司 用于输出信息的方法、装置、电子设备和介质
CN112949709A (zh) * 2021-02-26 2021-06-11 北京达佳互联信息技术有限公司 图像数据标注方法、装置、电子设备和存储介质
CN112949709B (zh) * 2021-02-26 2024-09-24 北京达佳互联信息技术有限公司 图像数据标注方法、装置、电子设备和存储介质
CN112862813A (zh) * 2021-03-04 2021-05-28 北京柏惠维康科技有限公司 标记点提取方法、装置、电子设备及计算机存储介质
CN114820679A (zh) * 2022-07-01 2022-07-29 小米汽车科技有限公司 图像标注方法、装置、电子设备和存储介质
CN114820679B (zh) * 2022-07-01 2023-04-18 小米汽车科技有限公司 图像标注方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
US11403766B2 (en) 2022-08-02
JP6964711B2 (ja) 2021-11-10
US20210090266A1 (en) 2021-03-25
JP2021047841A (ja) 2021-03-25

Similar Documents

Publication Publication Date Title
CN110647886A (zh) 兴趣点标注方法、装置、计算机设备和存储介质
CN111695486B (zh) 一种基于点云的高精度方向标志牌目标提取方法
US20080240513A1 (en) Method and device for updating map data
US10943151B2 (en) Systems and methods for training and validating a computer vision model for geospatial imagery
CN110609879B (zh) 兴趣点判重方法、装置、计算机设备及存储介质
CN110781711A (zh) 目标对象识别方法、装置、电子设备及存储介质
CN108229364B (zh) 建筑物轮廓生成方法、装置、计算机设备及存储介质
CN110677815A (zh) 停留点识别方法、装置、计算机设备及存储介质
CN113255578B (zh) 交通标识的识别方法及装置、电子设备和存储介质
KR102195999B1 (ko) 이미지 주석정보의 처리 방법, 장치 및 시스템
CN111121797B (zh) 道路筛选方法、装置、服务器及存储介质
US8818031B1 (en) Utility pole geotagger
CN110688902B (zh) 一种检测停车位内车辆区域的方法及装置
CN109710705A (zh) 地图兴趣点处理方法和装置
CN109916415B (zh) 道路类型确定方法、装置、设备及存储介质
CN110084230B (zh) 基于图像的车身方向检测方法和装置
CN109740632B (zh) 基于多传感器多被测对象的相似度模型训练方法和装置
CN114820679B (zh) 图像标注方法、装置、电子设备和存储介质
CN111340015B (zh) 定位方法和装置
CN116964588A (zh) 一种目标检测方法、目标检测模型训练方法及装置
CN115272222A (zh) 道路检测信息的处理方法、装置、设备及存储介质
CN109544981B (zh) 图像处理方法、装置、设备和介质
CN116091481A (zh) 一种小穗计数方法、装置、设备和存储介质
CN111753625B (zh) 一种行人检测方法、装置、设备及介质
CN115546762A (zh) 图像聚类方法、装置、存储介质及服务器

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