CN110727816A - 兴趣点类别确定方法和装置 - Google Patents
兴趣点类别确定方法和装置 Download PDFInfo
- Publication number
- CN110727816A CN110727816A CN201810715351.9A CN201810715351A CN110727816A CN 110727816 A CN110727816 A CN 110727816A CN 201810715351 A CN201810715351 A CN 201810715351A CN 110727816 A CN110727816 A CN 110727816A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- image
- interest
- processing
- information
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种兴趣点类别确定方法和装置,其中,方法包括:获取兴趣点的名称信息和图像信息;对图像信息进行处理提取图像特征向量,以及对名称信息进行处理提取词特征向量;将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量;通过预先训练的分类模型对融合特征向量进行处理,确定兴趣点的类别。从而,将兴趣点的名称信息和图像信息结合起来确定兴趣点的类别,提高了兴趣点类别确定的效率,增强了兴趣点的数据信息,方便用户使用,提升用户体验。
Description
技术领域
本发明涉及电子地图技术领域,尤其涉及一种兴趣点类别确定方法和装置。
背景技术
随着互联网技术的发展,电子地图成为人们出行决策的最重要的参考依据之一,在实际使用过程中,每个POI(Point of Interest,兴趣点)下都有一个标签(TAG)表示类别信息,用户在搜索POI的时候,可以根据TAG进行搜索,比如在当前位置搜索附近的酒店等等。由于目前仅有一部分的POI含有TAG信息,很多POI并没有标记TAG信息,因此根据TAG搜索POI时,有些POI无法被搜索到。
现有技术中,尽管可以通过人工标记TAG的方式一个一个去标记POI的TAG信息,或者是人工标记TAG的方式针对POI名称进行分词判断类别的方式。但是现有技术中,人工标记TAG方式效率低,成本高,以及针对POI名称进行分词判断类别的方式对于数据信息判断具有局限性。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种兴趣点类别确定方法,将兴趣点的名称信息和图像信息结合起来确定兴趣点的类别,解决现有技术中人工标记TAG方式效率低,成本高,以及针对POI名称进行分词判断类别的方式对于数据信息判断具有局限性的技术问题。
本发明的第二个目的在于提出一种兴趣点类别确定装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的,本发明第一方面实施例提出了一种兴趣点类别确定方法,包括:
获取兴趣点的名称信息和图像信息;
对所述图像信息进行处理提取图像特征向量,以及对所述名称信息进行处理提取词特征向量;
将所述图像特征向量和所述词特征向量进行融合,生成所述兴趣点的融合特征向量;
通过预先训练的分类模型对所述融合特征向量进行处理,确定所述兴趣点的类别。
本发明实施例的兴趣点类别确定方法,通过获取兴趣点的名称信息和图像信息,接着对图像信息进行处理提取图像特征向量,以及对名称信息进行处理提取词特征向量,从而将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量,最后通过预先训练的分类模型对融合特征向量进行处理确定兴趣点的类别。从而,将兴趣点的名称信息和图像信息结合起来确定兴趣点的类别,提高了兴趣点类别确定的效率,增强了兴趣点的数据信息,方便用户使用,提升用户体验。
为达上述目的,本发明第二方面实施例提出了一种兴趣点类别确定装置,包括:
获取模块,用于获取兴趣点的名称信息和图像信息;
处理模块,用于对所述图像信息进行处理提取图像特征向量,以及对所述名称信息进行处理提取词特征向量;
生成模块,用于将所述图像特征向量和所述词特征向量进行融合,生成所述兴趣点的融合特征向量;
确定模块,用于通过预先训练的分类模型对所述融合特征向量进行处理,确定所述兴趣点的类别。
本发明实施例的兴趣点类别确定装置,通过获取兴趣点的名称信息和图像信息,接着对图像信息进行处理提取图像特征向量,以及对名称信息进行处理提取词特征向量,从而将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量,最后通过预先训练的分类模型对融合特征向量进行处理确定兴趣点的类别。从而,将兴趣点的名称信息和图像信息结合起来确定兴趣点的类别,提高了兴趣点类别确定的效率,增强了兴趣点的数据信息,方便用户使用,提升用户体验。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述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可执行程序代码对应的程序,用于执行第一方面实施例所述的兴趣点类别确定方法。
为了实现上述目的,本发明第四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,其特征在于,该程序被处理器执行时实现如本发明第一方面实施例所述的兴趣点类别确定方法。
为了实现上述目的,本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时实现如本发明第一方面实施例所述的兴趣点类别确定方法。
本发明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,或通过本发明的实践了解到。
附图说明
本发明上述的和/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为本发明实施例一所提供的一种兴趣点类别确定方法的流程示意图;
图2为本发明实施例一所提供的一种兴趣点的名称信息和图像信息的示例图;
图3为本发明实施例一所提供的一种生成分类模型方法的流程示意图;
图4为本发明实施例二所提供的一种兴趣点类别确定方法的流程示意图;
图5为本发明实施例所提供的一种兴趣点类别确定装置的结构示意图;以及
图6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
下面详细描述本发明的实施例,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,旨在用于解释本发明,而不能理解为对本发明的限制。
在电子地图中,用户在搜索POI的时候,通常根据TAG进行搜索,比如在当前位置搜索附近的酒店等等。由于目前仅有一部分的POI含有TAG信息,很多POI并没有标记TAG信息,因此根据TAG搜索POI时,有些POI无法被搜索到,因此对电子地图的POI进行类别确定是十分必要的。
现有技术中,对兴趣点类别确定一般采用人工标记TAG,用外包按照指定的标准去一个一个标记TAG,或者是利用自然语言处理方法,针对兴趣点名称进行分词,提取与兴趣点相关的词语,然后根据提取的词语判断兴趣点类别。
针对上述现有技术中人工标记TAG方式效率低,成本高,以及针对POI名称进行分词判断类别的方式对于数据信息判断具有局限性的技术问题。本发明实施例中,通过获取兴趣点的名称信息和图像信息,接着对图像信息进行处理提取图像特征向量,以及对名称信息进行处理提取词特征向量,从而将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量,最后通过预先训练的分类模型对融合特征向量进行处理确定兴趣点的类别。
下面参考附图描述本发明实施例的兴趣点类别确定方法和装置。
图1为本发明实施例一所提供的一种兴趣点类别确定方法的流程示意图。
如图1所示,该兴趣点类别确定方法包括以下步骤:
步骤101,获取兴趣点的名称信息和图像信息。
步骤102,对图像信息进行处理提取图像特征向量,以及对名称信息进行处理提取词特征向量。
其中,每个兴趣点包含四方面信息:名称、类别、经度和纬度。兴趣点类别的准确性能够让用户快速根据标签搜索到目标兴趣点,因此本申请实施例主要描述的是如何快速准确确定兴趣点的类别。
首先需要获取兴趣点的名称信息和图像信息,可以理解的是现实世界每天会产生大量的兴趣点名称,因此可以直接获取现有的兴趣点名称信息和图像信息,也可以是根据实际应用需要产生新的兴趣点名称信息和图像信息。其中,如图2所示,兴趣点的名称信息比如可以是“餐饮”、“加油站”等;图像信息可以是两张图片,每张图片的具体色彩、形状信息等。
需要说明的是,上述图像信息可以包括是图片或者是视频的某帧图像等等,根据实际应用需求进行选择设置。
具体地,在获取图像信息后,对图像信息进行处理提取图像特征向量,作为一种可能实现的方式,根据预设的基础网络的输入要求对图像信息进行预处理生成标准图像信息,将标准图像信息输入基础网络对图像信息进行图像分析,提取图像特征向量。
具体地,在获取名称信息后,对名称信息进行处理提取词特征向量,作为一种可能实现的方式,对名称信息进行自然语言分词处理获取分词结果,将分词结果进行词向量转换生成词特征向量。
步骤103,将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量。
步骤104,通过预先训练的分类模型对融合特征向量进行处理,确定兴趣点的类别。
具体地,可以通过相关向量融合算法或者模型将图像特征向量和词特征向量进行融合生成兴趣点的融合特征向量,进而可以通过预先训练的分类模型对融合特征向量,就可以自动化确定兴趣点的类别,提高兴趣点类别确定的效率。
其中,需要预先训练好分类模型,具体如图3所示:
步骤201,获取兴趣点的样本数据,其中,样本数据包括:每个兴趣点的图像样本信息、名称样本信息和类别的对应关系。
具体地,将现有的兴趣点数据提取整理出来作为其样本数据,可以选取一部分或者全部的兴趣点数据进行标记每个兴趣点的图像样本信息、名称样本信息和类别之间的对应关系,也就是如何为机器学习选取样本数据,以保证后续进行打分确定兴趣点类别的准确性。
步骤202,对图像样本信息进行处理提取图像样本特征向量,以及对名称样本信息进行处理提取词样本特征向量。
步骤203,将图像样本特征向量和词样本特征向量进行融合,生成兴趣点的融合样本特征向量。
步骤204,按照预设模型对兴趣点的融合样本特征向量和对应的类别进行训练,生成分类模型。
其中,样本数据的准确性直接影响到后续的打分结果,因此可以不断更新样本数据以提高效率和准确性。以及图像样本信息可以包括一张图片或者是多张图片,其在进行特征融合时可以将每张图片的图像特征向量和词特征向量进行融合,生成兴趣点的多个融合特征向量,再按照预设模型对兴趣点的多个融合样本特征向量和对应的类别进行训练,生成分类模型。
从而,预先生成分类模型可以针对没有标签的兴趣点自动化产生进行类型却行,提高兴趣点数据的信息,提高用户体验。
具体地,根据上述描述图像信息可以包括一张图片或者是多张图片,可以针对一张图片或者多张图片采用不同的方式进行处理,举例说明如下:
作为一种示例,图像信息包括:一张图片。对一张图片进行处理提取图像特征向量,接着将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量,通过预先训练的分类模型对融合特征向量进行处理,将生成的与融合特征向量对应的类别确定为兴趣点的类别。也就是说只有一张图片时在提取图像特征向量后可以直接通过预先训练的分类模型进行处理生成兴趣点的类别。
作为另一种示例,图像信息包括多张图片时,对每张图片进行处理提取每张图片的图像特征向量,然后将每张图片的图像特征向量和词特征向量进行融合,生成兴趣点的多个融合特征向量,并通过预先训练的分类模型对多个融合特征向量处理,生成与每个融合特征向量对应的候选类别,根据与每个融合特征向量对应的候选类别判断所有的候选类别是否相同,从而确定兴趣点的类别。
需要说明的是,可以根据获取的兴趣点类别判断是否满足检索需求,可以不断迭代优化上述过程,直到满足检索需求,进一步提高兴趣点类别确定,方便用户使用,提高用户体验。
本发明实施例的兴趣点类别确定方法,通过获取兴趣点的名称信息和图像信息,接着对图像信息进行处理提取图像特征向量,以及对名称信息进行处理提取词特征向量,从而将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量,最后通过预先训练的分类模型对融合特征向量进行处理确定兴趣点的类别。从而,将兴趣点的名称信息和图像信息结合起来确定兴趣点的类别,提高了兴趣点类别确定的效率,增强了兴趣点的数据信息,方便用户使用,提升用户体验。
为了清楚说明上一实施例,以图像信息包括多张图片为例进行说明,本实施例提供了一种兴趣点类别确定方法的流程示意图,图4为本发明实施例二所提供的一种兴趣点类别确定方法的流程示意图。
如图4所示,该兴趣点类别确定方法可以包括以下步骤:
步骤301,获取兴趣点的名称信息和图像信息。
需要说明的是,步骤S301的描述与上述步骤S101相对应,因此对的步骤S301的描述参考上述步骤S301的描述,在此不再赘述。
步骤302,根据预设的基础网络的输入要求对图像信息进行预处理生成标准图像信息。
步骤303,将标准图像信息输入基础网络对图像信息进行图像分析,提取图像特征向量。
其中,基础网络可以包括但不限于VGG-16,ResNet50,ResNet101等中的一种或者多种。也就是说可以选取上述的基础网络作为图像特征向量的提取网络。
可以理解的是,对于图像而言,每一幅图像都具有能够区别于其他类图像的自身特征,有些是可以直观地感受到的自然特征,如亮度、边缘、纹理和色彩等;有些则是需要通过变换或处理才能得到的,如矩、直方图以及主成份等。因此,可以将某一类对象的多个或多种特性组合在一起,形成一个特征向量来代表该类对象。
步骤304,对名称信息进行自然语言分词处理获取分词结果。
步骤305,将分词结果进行词向量转换生成词特征向量。
可以理解的是,可以基于词典分词算法或者是基于统计的机器学习算法等自然语言分词处理算法对兴趣点的名称信息进行处理获取分词结果,再通过词向量技术将分词结果转换生成词特征向量。
步骤306,将每张图片的图像特征向量和词特征向量进行融合,生成兴趣点的多个融合特征向量。
步骤307,通过预先训练的分类模型对多个融合特征向量分别处理,生成与每个融合特征向量对应的候选类别。
步骤308,根据与每个融合特征向量对应的候选类别判断所有的候选类别是否相同,确定兴趣点的类别。
也就是说可以多个图片是属于同一个兴趣点类别的,即用户在通过标签搜索兴趣点时可以找到具有不同图像信息的相同兴趣点。
具体地,若获知所有的候选类别相同,则直接将候选类别确定为兴趣点的类别;若获知所有的候选类别不完全相同,则判断不同的候选类别比重是否相同;若获知不同的候选类别比重相同,则随机选择一个候选类别确定为兴趣点的类别;若获知不同的候选类别比重不相同,则选择比重最高的候选类别确定为兴趣点的类别。
举例而言,获知所有的候选类别相同都是A,直接将A确定为兴趣点的类别;获知所有的候选类别不完全相同有A和B,当A和B各占百分之五十时随机选择一个候选类别A或者B确定为兴趣点的类别;当A占百分之七十,B占百分之三十时,则选择比重最高的A确定为兴趣点的类别。
也就是说可以多个图片可能不属于同一个兴趣点类别的,即用户在通过标签搜索兴趣点时可以找到具有不同图像信息的不相同兴趣点。但是显示给用户的肯定是比较优质的目标兴趣点,能够提供更多信息给用户进行选择,提升用户体验。
本发明实施例的兴趣点类别确定方法,通过获取兴趣点的名称信息和图像信息,接着对图像信息进行处理提取图像特征向量,以及对名称信息进行处理提取词特征向量,从而将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量,最后通过预先训练的分类模型对融合特征向量进行处理确定兴趣点的类别。从而,将兴趣点的名称信息和图像信息结合起来确定兴趣点的类别,提高了兴趣点类别确定的效率,增强了兴趣点的数据信息,方便用户使用,提升用户体验。
为了实现上述实施例,本发明还提出一种兴趣点类别确定装置。
图5为本发明实施例提供的一种兴趣点类别确定装置的结构示意图。
如图5所示,该兴趣点类别确定装置包括:获取模块510、处理模块520、生成模块530、确定模块540。
获取模块510,用于获取兴趣点的名称信息和图像信息。
处理模块520,用于对图像信息进行处理提取图像特征向量,以及对名称信息进行处理提取词特征向量。
具体地,通过处理模块520根据预设的基础网络的输入要求对图像信息进行预处理生成标准图像信息,将标准图像信息输入基础网络对图像信息进行图像分析,提取图像特征向量。以及通过处理模块520对名称信息进行自然语言分词处理获取分词结果,将分词结果进行词向量转换生成词特征向量。
生成模块530,用于将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量。
确定模块530,用于通过预先训练的分类模型对融合特征向量进行处理,确定兴趣点的类别。
具体地,根据上述描述图像信息可以包括一张图片或者是多张图片,可以针对一张图片或者多张图片采用不同的方式进行处理,举例说明如下:
作为一种示例,图像信息包括:一张图片。对一张图片进行处理提取图像特征向量,接着将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量,通过预先训练的分类模型对融合特征向量进行处理,将生成的与融合特征向量对应的类别确定为兴趣点的类别。也就是说只有一张图片时在提取图像特征向量后可以直接通过预先训练的分类模型进行处理得到对应的类别确定为兴趣点的类别。
作为另一种示例,图像信息包括多张图片时,对每张图片进行处理提取每张图片的图像特征向量,然后将每张图片的图像特征向量和词特征向量进行融合,生成兴趣点的多个融合特征向量,并通过预先训练的分类模型对多个融合特征向量处理,生成与每个融合特征向量对应的候选类别,根据与每个融合特征向量对应的候选类别判断所有的候选类别是否相同,从而确定为兴趣点的类别。
本发明实施例的兴趣点类别确定装置,通过获取兴趣点的名称信息和图像信息,接着对图像信息进行处理提取图像特征向量,以及对名称信息进行处理提取词特征向量,从而将图像特征向量和词特征向量进行融合,生成兴趣点的融合特征向量,最后通过预先训练的分类模型对融合特征向量进行处理确定兴趣点的类别。从而,将兴趣点的名称信息和图像信息结合起来确定兴趣点的类别,提高了兴趣点类别确定的效率,增强了兴趣点的数据信息,方便用户使用,提升用户体验。
需要说明的是,前述对兴趣点类别确定方法实施例的解释说明也适用于该实施例的兴趣点类别确定装置,此处不再赘述。
为了实现上述实施例,本发明还提出一种计算机设备,包括:处理器,以及用于存储所述处理器可执行指令的存储器。
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,以用于实现如本发明前述实施例提出的兴趣点类别确定方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器被执行时,使得处理器能够执行本发明前述实施例提出的兴趣点类别确定方法。
为了实现上述实施例,本发明还提出一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,执行实现本发明前述实施例提出的兴趣点类别确定方法。
图6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6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6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6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系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器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 AreaNetwork;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兴趣点类别确定方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,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。在本发明的描述中,“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,并且本发明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,这应被本发明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,本发明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,在本发明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发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种兴趣点类别确定方法,其特征在于,包括以下步骤:
获取兴趣点的名称信息和图像信息;
对所述图像信息进行处理提取图像特征向量,以及对所述名称信息进行处理提取词特征向量;
将所述图像特征向量和所述词特征向量进行融合,生成所述兴趣点的融合特征向量;
通过预先训练的分类模型对所述融合特征向量进行处理,确定所述兴趣点的类别。
2.如权利要求1所述的方法,其特征在于,所述对所述图像信息进行处理提取图像特征向量,包括:
根据预设的基础网络的输入要求对所述图像信息进行预处理生成标准图像信息;
将所述标准图像信息输入所述基础网络对所述图像信息进行图像分析,提取图像特征向量。
3.如权利要求1所述的方法,其特征在于,所述对所述名称信息进行处理提取词特征向量,包括:
对所述名称信息进行自然语言分词处理获取分词结果;
将所述分词结果进行词向量转换生成词特征向量。
4.如权利要求1所述的方法,其特征在于,还包括:
获取兴趣点的样本数据,其中,所述样本数据包括:每个兴趣点的图像样本信息、名称样本信息和类别的对应关系;
对所述图像样本信息进行处理提取图像样本特征向量,以及对所述名称样本信息进行处理提取词样本特征向量;
将所述图像样本特征向量和所述词样本特征向量进行融合,生成所述兴趣点的融合样本特征向量;
按照预设模型对所述兴趣点的融合样本特征向量和对应的类别进行训练,生成所述分类模型。
5.如权利要求1所述的方法,其特征在于,所述图像信息包括:一张图片,
所述对所述图像信息进行处理提取图像特征向量,包括;
对所述一张图片进行处理提取图像特征向量;
所述通过预先训练的分类模型对所述融合特征向量进行处理,确定所述兴趣点的类别,包括:
通过预先训练的分类模型对所述融合特征向量进行处理,生成述兴趣点的类别。
6.一种电子地图的渲染兴趣点类别确定装置,其特征在于,所述装置包括:
获取模块,用于获取兴趣点的名称信息和图像信息;
处理模块,用于对所述图像信息进行处理提取图像特征向量,以及对所述名称信息进行处理提取词特征向量;
生成模块,用于将所述图像特征向量和所述词特征向量进行融合,生成所述兴趣点的融合特征向量;
确定模块,用于通过预先训练的分类模型对所述融合特征向量进行处理,确定所述兴趣点的类别。
7.一种电子地图的渲染兴趣点类别确定装置,其特征在于,所述处理模块具体用于:
根据预设的基础网络的输入要求对所述图像信息进行预处理生成标准图像信息;
将所述标准图像信息输入所述基础网络对所述图像信息进行图像分析,提取图像特征向量;
对所述名称信息进行自然语言分词处理获取分词结果;
将所述分词结果进行词向量转换生成词特征向量。
8.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-5中任一所述的兴趣点类别确定方法。
9.一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类别确定方法。
10.一种计算机程序产品,其特征在于,当所述计算机程序产品中的指令由处理器执行时,执行如权利要求1-5中任一所述的电子地图的渲染兴趣点类别确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810715351.9A CN110727816A (zh) | 2018-06-29 | 2018-06-29 | 兴趣点类别确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810715351.9A CN110727816A (zh) | 2018-06-29 | 2018-06-29 | 兴趣点类别确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110727816A true CN110727816A (zh) | 2020-01-24 |
Family
ID=69216781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810715351.9A Pending CN110727816A (zh) | 2018-06-29 | 2018-06-29 | 兴趣点类别确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110727816A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767359A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 兴趣点分类方法、装置、设备以及存储介质 |
CN111832658A (zh) * | 2020-07-20 | 2020-10-27 | 北京百度网讯科技有限公司 | 兴趣点信息处理方法、装置、电子设备和存储介质 |
CN112033396A (zh) * | 2020-09-09 | 2020-12-04 | 北京百度网讯科技有限公司 | 用于获得兴趣点周围的引导点的方法、装置、设备与介质 |
CN112860993A (zh) * | 2021-02-04 | 2021-05-28 | 北京百度网讯科技有限公司 | 兴趣点的分类方法、装置、设备、存储介质及程序产品 |
CN113221026A (zh) * | 2020-02-06 | 2021-08-06 | 腾讯科技(深圳)有限公司 | 一种基于兴趣点poi的分类方法、分类装置及存储介质 |
WO2022247165A1 (zh) * | 2021-05-24 | 2022-12-01 | 北京百度网讯科技有限公司 | 地理位置区域的编码方法、建立编码模型的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096042A (zh) * | 2016-06-28 | 2016-11-09 | 乐视控股(北京)有限公司 | 数据信息分类方法及系统 |
CN106777185A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | 一种基于深度学习的跨媒体中草药植物图像搜索方法 |
CN106971154A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 基于长短记忆型递归神经网络的行人属性预测方法 |
CN107590491A (zh) * | 2016-07-07 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN107944447A (zh) * | 2017-12-15 | 2018-04-20 | 北京小米移动软件有限公司 | 图像分类方法及装置 |
-
2018
- 2018-06-29 CN CN201810715351.9A patent/CN110727816A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096042A (zh) * | 2016-06-28 | 2016-11-09 | 乐视控股(北京)有限公司 | 数据信息分类方法及系统 |
CN107590491A (zh) * | 2016-07-07 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN106777185A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | 一种基于深度学习的跨媒体中草药植物图像搜索方法 |
CN106971154A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 基于长短记忆型递归神经网络的行人属性预测方法 |
CN107944447A (zh) * | 2017-12-15 | 2018-04-20 | 北京小米移动软件有限公司 | 图像分类方法及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221026A (zh) * | 2020-02-06 | 2021-08-06 | 腾讯科技(深圳)有限公司 | 一种基于兴趣点poi的分类方法、分类装置及存储介质 |
CN111767359A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 兴趣点分类方法、装置、设备以及存储介质 |
CN111767359B (zh) * | 2020-06-30 | 2023-09-01 | 北京百度网讯科技有限公司 | 兴趣点分类方法、装置、设备以及存储介质 |
CN111832658A (zh) * | 2020-07-20 | 2020-10-27 | 北京百度网讯科技有限公司 | 兴趣点信息处理方法、装置、电子设备和存储介质 |
CN111832658B (zh) * | 2020-07-20 | 2023-08-18 | 北京百度网讯科技有限公司 | 兴趣点信息处理方法、装置、电子设备和存储介质 |
CN112033396A (zh) * | 2020-09-09 | 2020-12-04 | 北京百度网讯科技有限公司 | 用于获得兴趣点周围的引导点的方法、装置、设备与介质 |
CN112860993A (zh) * | 2021-02-04 | 2021-05-28 | 北京百度网讯科技有限公司 | 兴趣点的分类方法、装置、设备、存储介质及程序产品 |
CN112860993B (zh) * | 2021-02-04 | 2023-08-04 | 北京百度网讯科技有限公司 | 兴趣点的分类方法、装置、设备、存储介质及程序产品 |
WO2022247165A1 (zh) * | 2021-05-24 | 2022-12-01 | 北京百度网讯科技有限公司 | 地理位置区域的编码方法、建立编码模型的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110727816A (zh) | 兴趣点类别确定方法和装置 | |
CN107067003B (zh) | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 | |
CN109582880B (zh) | 兴趣点信息处理方法、装置、终端及存储介质 | |
CN110543592B (zh) | 信息搜索方法、装置以及计算机设备 | |
CN108197198B (zh) | 一种兴趣点搜索方法、装置、设备和介质 | |
TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
CN109543680B (zh) | 兴趣点的位置确定方法、装置设备和介质 | |
US11403766B2 (en) | Method and device for labeling point of interest | |
US11106933B2 (en) | Method, device and system for processing image tagging information | |
US11036915B2 (en) | Dynamic font similarity | |
CN111738041A (zh) | 一种视频分割方法、装置、设备及介质 | |
CN110609879B (zh) | 兴趣点判重方法、装置、计算机设备及存储介质 | |
JP2007094679A (ja) | 画像分析装置、画像分析プログラム、および画像分析プログラム記憶媒体 | |
CN113361462B (zh) | 视频处理和字幕检测模型的方法及装置 | |
CN114820679B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN113361643A (zh) | 基于深度学习的通用标志识别方法、系统、设备及存储介质 | |
CN115050002A (zh) | 图像标注模型训练方法、装置、电子设备及存储介质 | |
CN116415020A (zh) | 一种图像检索的方法、装置、电子设备及存储介质 | |
CN111914863A (zh) | 目标检测方法、装置、终端设备及计算机可读存储介质 | |
KR20220130633A (ko) | 지도 정보의 처리 방법, 장치, 전자 설비 및 저장 매체 | |
CN111753625A (zh) | 一种行人检测方法、装置、设备及介质 | |
CN110647826A (zh) | 商品训练图片的获取方法、装置、计算机设备和存储介质 | |
CN113361524B (zh) | 图像处理方法及装置 | |
CN117372510B (zh) | 基于计算机视觉模型的地图注记识别方法、终端及介质 | |
CN112651332B (zh) | 基于照片库的场景设施识别方法、系统、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |