CN111832658A - 兴趣点信息处理方法、装置、电子设备和存储介质 - Google Patents

兴趣点信息处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111832658A
CN111832658A CN202010700887.0A CN202010700887A CN111832658A CN 111832658 A CN111832658 A CN 111832658A CN 202010700887 A CN202010700887 A CN 202010700887A CN 111832658 A CN111832658 A CN 111832658A
Authority
CN
China
Prior art keywords
image
poi
processed
classification model
business
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.)
Granted
Application number
CN202010700887.0A
Other languages
English (en)
Other versions
CN111832658B (zh
Inventor
刘慧�
吴箫
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 CN202010700887.0A priority Critical patent/CN111832658B/zh
Publication of CN111832658A publication Critical patent/CN111832658A/zh
Application granted granted Critical
Publication of CN111832658B publication Critical patent/CN111832658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

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

Abstract

本申请公开了一种兴趣点信息处理方法，涉及图像处理领域，具体涉及智能交通技术。具体实现方案包括：获取待处理图像；当待处理图像的类型为兴趣点POI的门脸图像时，利用预先训练的第一分类模型对待处理图像进行第一分类处理，以确定待处理图像所表示的门脸状态；以及，基于上述门脸状态，确定该POI的营业状态。本申请还公开了一种兴趣点信息处理装置、电子设备和存储介质。

Description

兴趣点信息处理方法、装置、电子设备和存储介质
技术领域
本申请涉及图像处理领域，具体涉及智能交通技术。更具体地，本申请提供了一种兴趣点信息处理方法、装置、设备以及存储介质。
背景技术
停业兴趣点识别问题是兴趣点生产过程的一个复杂问题，一般的方法是通过兴趣点的验真情报信息判断兴趣点的停业状态。例如通过向用户提供反馈渠道，由用户反馈具体兴趣点是否处于停业状态。或者，例如通过定期监测兴趣点实际营业状态，来确定具体兴趣点所对应的商铺是否处于停业状态。上述方法仅通过针对兴趣点的验真情报信息来确定兴趣点的营业状态，而完全未用到兴趣点相关的图像信息，判定维度单一且仅依赖于验真情报信息，造成兴趣点停业信息识别不够准确。
发明内容
提供了一种兴趣点信息处理方法、装置、设备以及存储介质。
根据第一方面，提供了一种兴趣点信息处理方法，包括：获取待处理图像；当待处理图像的类型为兴趣点POI的门脸图像时，利用预先训练的第一分类模型对待处理图像进行第一分类处理，以确定待处理图像所表示的门脸状态；以及，基于上述门脸状态，确定该POI的营业状态。
根据第二方面，提供了一种兴趣点信息处理装置，包括：获取模块、第一分类模块和确定模块。获取模块用于获取待处理图像。第一分类模块用于当待处理图像的类型为兴趣点POI的门脸图像时，利用预先训练的第一分类模型对待处理图像进行第一分类处理，以确定待处理图像所表示的门脸状态。确定模块用于基于门脸状态，确定该POI的营业状态。
根据第三方面，提供了一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行根据本申请提供的兴趣点信息处理方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本申请提供的兴趣点信息处理方法。
根据本申请实施例的POI信息处理方法在确定待处理图像包含一个POI的门脸图像之后，还对该待处理图像进行第一分类处理，以进一步确定该待处理图像所包含的POI的门脸图像所表示的门脸状态。该门脸状态直接反映了拍摄待处理图像时该POI的实际门脸状态，结合关于该POI的相关验真情报信息，可以确定该POI的当前实际营业状态。上述过程结合针对POI的图像信息来对POI的营业状态进行判定，可以有效地提高POI停业信息识别的准确性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1A是根据本申请一个实施例的POI门脸图像的示例示意图；
图1B是根据本申请一个实施例的可以应用兴趣点信息处理方法和装置的示例性系统架构；
图2是根据本申请一个实施例的兴趣点信息处理方法的流程图；
图3A是根据本申请一个实施例的确定POI营业状态的示例原理图；
图3B是根据本申请另一个实施例的确定POI营业状态的示例原理图；
图4是根据本申请另一个实施例的兴趣点信息处理方法的示例流程图；
图5是根据本申请一个实施例的构建并训练第一分类模型的示例流程图；
图6是根据本申请一个实施例的构建并训练第二分类模型的示例流程图；
图7是根据本申请一个实施例的兴趣点信息处理装置的框图；
图8是用来实现本申请一个实施例的兴趣点信息处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
兴趣点(point of interest,POI)为电子地图上的坐标点标注数据，用以标示出关联坐标点所代表的例如政府部门、商业机构(如加油站、百货公司、超市、餐厅、酒店、便利商店等)、旅游景点(如公园、古迹名胜等)、交通设施(如各式车站、停车场、超速照相机、限速标示等)等处所。当在电子地图上呈现某个POI时，需要获知该POI的名称、类别、地理位置等相关信息，并需要根据POI的最新营业状态(如停业、营业、歇业等)及时更新电子地图。
停业POI识别问题是POI生产过程的一个复杂问题，一般的方法是通过POI的验真情报信息判断POI的停业状态。例如通过向用户提供反馈渠道，由用户反馈具体POI是否处于停业状态。或者，例如通过定期监测POI实际营业状态，来确定具体POI是否处于停业状态。上述方法仅通过针对POI的验真情报信息(例如用户评价信息、地理位置信息、时间信息、名称、类型等)来确定POI的营业状态，而完全未用到POI相关的图像信息，判定维度单一且仅依赖于验真情报信息，造成POI停业信息识别不够准确。
由于通过各种渠道均能够获取到POI相关的图像信息(例如POI的门脸(shopfront)图像)，而POI相关的图像信息中可以包含能够辅助判断POI是否停业的特征信息。因此，本申请期望利用验真情报信息和图像信息综合起来判断POI的停业状态。例如参考图1A，图1A是根据本申请一个实施例的POI门脸图像的示例示意图。该门脸图像展示有商铺招牌以及商铺门。当获取到如图1A所示的POI门脸图像后，可以基于该门脸图像来确定该POI的具体营业状态。
图1B是根据本申请一个实施例的可以应用兴趣点信息处理方法和装置的示例性系统架构100。需要注意的是，图1B所示仅为可以应用本申请实施例的系统架构的示例，以帮助本领域技术人员理解本申请的技术内容，但并不意味着本申请实施例不可以用于其他设备、系统、环境或场景。
如图1B所示，根据该实施例的系统架构100可以包括多个终端设备110、网络120和服务器130。其中，终端设备110可以是各种可以进行图像采集的终端设备，例如智能手机、平板电脑、摄像机、照相机等，在此不做限制。服务器130可以是各种具有一定计算能力的电子设备，在此不做限制。下面举例说明终端设备110和服务器130之间经由网络120进行交互的过程。
示例性地，终端设备110可以为专业全景采集设备，将专业全景采集设备装备到汽车、摩托车等机动车上，一些情况下甚至采用人工负载采集设备的方式，对现实世界的街道进行地毯式扫街采集街道图像。采集后，将所采集的街道图像以及一些关联信息(如时间信息、地理位置信息等)经由网络120发送至服务器130进行分析处理。类似地，终端设备110可以为用户个人的终端设备，用户在日常工作生活过程中可以拍摄一些街景图像并反馈至服务器130进行分析处理。服务器130将获取到的街景图像作为待处理图像，从中提取POI相关有效信息，以确定POI的营业状态，从而在电子地图140中进行POI标注和更新。进一步地，进行POI标注和更新后的电子地图140还可以推送至多个终端设备(该多个终端设备可以与上述终端设备110相同或不同)，以实现地图展示、导航等功能。
根据本申请实施例，提供了一种兴趣点信息处理方法。下面通过图例对该方法进行示例性说明。应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。
图2是根据本申请一个实施例的兴趣点信息处理方法的流程图，该兴趣点信息处理方法例如可以在图1B所示的服务器侧执行。
如图2所示，该方法可以包括操作S201～操作S203。
在操作S201，获取待处理图像。
示例性地，获取待处理图像的实施方式在上文中已举例说明，在此不再赘述。
在操作S202，当待处理图像的类型为POI的门脸图像时，利用预先训练的第一分类模型对待处理图像进行第一分类处理，以确定待处理图像所表示的门脸状态。
示例性地，基于POI的门脸图像的典型特征，例如，包含卷闸门图像、包含招牌(signboard)图像、包含入口图像等，可以利用机器判定待处理图像的类型是否包含POI的门脸图像。如果是，则可以确定待处理图像的类型为POI的门脸图像。在确定待处理图像为POI的门脸图像后，再利用第一分类模型对其进行分类处理，以确定该POI的门脸图像所表示的门脸状态。根据本申请的实施例，门脸状态可以指图像中所表示的门脸的物理状态，例如包括关闭状态和开启状态。
在操作S203，基于上述门脸状态，确定该POI的营业状态。
本领域技术人员可以理解，根据本申请实施例的POI信息处理方法在确定待处理图像包含一个POI的门脸图像之后，还对该待处理图像进行第一分类处理，以进一步确定该待处理图像所包含的POI的门脸图像所表示的门脸状态。该门脸状态直接反映了拍摄待处理图像时该POI的实际门脸状态，结合关于该POI的相关验真情报信息，可以确定该POI的当前实际营业状态。上述过程结合针对POI的图像信息来对POI的营业状态进行判定，可以有效地提高POI停业信息识别的准确性。
下面结合图3A～图3B，示例性说明本申请实施例基于待处理图像中的门脸状态来确定相应POI的营业状态的实施过程。
图3A是根据本申请一个实施例的确定POI营业状态的示例原理图，用于对上述操作S203的实施过程进行示例性说明。
如图3A所示，示例性地，待处理图像310表征一个POI的门脸图像。在基于第一分类模型确定该待处理图像310中门脸状态为关闭状态后，可以进一步获取待处理图像310的拍摄时间311和该POI的营业时间段。其中，在最初获取待处理图像310时可以一并获取拍摄时间311，POI的营业时间段可以根据历史营业数据统计得到，也可以根据历史用户针对该POI的营业时间反馈统计得到，也可以由针对该POI的商铺的管理方上报得到，等等，在此不做限制。当待处理图像的拍摄时间311落入该营业时间段时，说明在正常营业时间范围内该POI的门脸仍处于关闭状态，则可以确定该POI的营业状态为停业状态。可以理解，本实施例结合待处理图像中的门脸状态信息和POI的营业时间信息，基于处于关闭状态的门脸图像与POI的营业时间之间的关系来确定POI的实际营业状态。该过程不仅考虑到POI相关的验真情报信息，还考虑POI的门脸图像，能够提高针对POI营业状态的识别准确率。
图3B是根据本申请另一个实施例的确定POI营业状态的示例原理图，用于对上述操作S203的实施过程进行示例性说明。
如图3B所示，示例性地，待处理图像310’表征一个POI的门脸图像。在基于第一分类模型确定该待处理图像310’中门脸状态为关闭状态后，可以进一步获取待处理图像310’的拍摄时间311’、针对待处理图像310’的地理位置信息312’、该POI所属的行业信息313’、以及该POI的营业时间段。
根据本申请的实施例，可以根据待处理图像310’的拍摄时间311’与该POI的营业时间段之间的关系，确定第一权重3111’。例如，如果拍摄时间311’落入该POI的营业时间段，确定第一权重为第一数值(例如第一数值为1)；如果拍摄时间311’未落入该POI的营业时间段，确定第一权重为第二数值(例如第二数值为0)。上述第一数值和第二数值仅为举例，本实施例中，在第一数值大于第二数值的原则下，可以根据实际需要进行设置。拍摄时间和营业时间段的获取方式上文中已说明，在此不再赘述。可以理解，本实施例结合待处理图像中的门脸状态信息和POI的营业时间信息，利用第一权重来表征处于关闭状态的门脸图像与POI的营业时间之间的关系，以作为确定POI的营业状态时所考量的有效因素之一。
根据本申请的实施例，可以根据地理位置信息312’，确定第二权重3121’。示例性地，可以根据地理位置信息所表征的地域偏远程度来设置第二权重。例如，地理位置信息表征POI所在地域越偏远，表示该POI的客流量越少，即停业概率越大。因此可以设置较大的第二权重。其中，在最初获取待处理图像时可以一并获取地理位置信息312’。可以理解，本实施例结合待处理图像中的门脸状态信息和POI的地理位置信息，利用第二权重来表征处于关闭状态的门脸图像与POI的地理位置信息之间的关系，以作为确定POI的营业状态时所考量的有效因素之一。
根据本申请的实施例，可以根据该POI所属的行业信息313’，确定第三权重3131’。示例性地，可以根据行业信息313’所表征的行业的稳定程度来设置第三权重。例如，行业信息表征POI所属行业越不稳定，表示该POI的停业概率越大。因此可以设置较大的第三权重。可以理解，本实施例结合待处理图像中的门脸状态信息和POI所属行业信息，利用第三权重来表征处于关闭状态的门脸图像与POI所属行业信息之间的关系，以作为确定POI的营业状态时所考量的有效因素之一。
示例性地，可以基于待处理图像中的文字信息来确定POI所属的行业信息。例如，对待处理图像310’中的招牌图像进行文字识别，以得到文字识别结果，根据文字识别结果可以确定该POI的名称信息。上述识别过程例如可以利用OCR(optical characterrecognition，光学字符识别)技术实现。然后以及，根据该POI的名称信息，可以确定该POI所属的行业信息。在图3B所示的例子中，图3B中POI的名称信息为“佳田烘焙”，可以确定该POI所属的行业信息为食品零售行业。
基于上述第一权重3111’、第二权重3121’和第三权重3131’，可以确定该POI的评估值314’。例如，可以直接将上述第一权重3111’、第二权重3121’和第三权重3131’相加得到评估值；也可以根据实际需要为上述第一权重3111’、第二权重3121’和第三权重3131’分别设置第一分值、第二分值和第三分值，再利用第一权重3111’、第二权重3121’和第三权重3131’对第一分值、第二分值和第三分值进行加权求和，以得到该POI的评估值314’。并且，当评估值大于预定阈值时，可以确定该POI的营业状态为停业状态。上述在识别POI的营业状态的过程中，综合考虑了门脸图像与POI的营业时间之间的关系、门脸图像与POI的地理位置信息之间的关系以及门脸图像与POI所属行业信息之间的关系，更加全面地考量可能表达POI的停业状态的各种特征信息，从而可以更加准确地识别POI的停业状态。
进一步地，根据本申请的实施例，在确定一个POI的营业状态之后，可以在电子地图中更新该POI的营业状态。例如，在确定一个POI处于停业状态后，在电子地图中将该POI的营业状态更新为“已停业”标识。用户的终端设备接收并展示更新后的电子地图，可以使得用户及时获知具体POI的最新营业状态，避免用户浪费时间前往已停业的POI商铺。
图4是根据本申请另一个实施例的兴趣点信息处理方法的示例流程图。
如图4所示，该方法可以包括操作S401～操作S406。
在操作S401，获取待处理图像。
示例性地，获取待处理图像的实施方式在上文中已举例说明，在此不再赘述。
在操作S402，利用预先训练的第二分类模型对待处理图像进行第二分类处理，以确定待处理图像是否为POI的门脸图像。如果是，则执行操作S403。如果否，则执行操作S406。
示例性地，第二分类模型通过分析待处理图像信息，确定含有例如卷闸门图像信息或者典型的POI门店图像信息的待处理图像为POI的门脸图像。第二分类模型可以采用深度卷积神经网络(convolutional neural network,CNN)，CNN是受仿生学中视觉神经系统启发而设计的人工神经网络结构。其中的卷积核为神经网络的权值，通过对POI招牌图像中的不同图像子区域(局部感受野)使用共享权值的策略进行线性加权，并使用非线性激活函数、池化(pooling)与采样操作等多层次的处理实现非线性的函数映射。通过针对目标分类任务(即确定待处理图像是否为POI的门脸图像)的训练过程，可以实现针对待处理图像中的内容进行良好表征和分辨。例如，可以采用ResNet(残差网络)、DenseNet(密集卷积网络)、SENet(压缩和激励网络)等之一来设计第二分类模型。
在操作S403，利用预先训练的第一分类模型对待处理图像进行第一分类处理，以确定待处理图像所表示的门脸状态是否为关闭状态。如果是，则执行操作S404。如果否，则执行操作S406。
示例性地，第一分类模型也可以采用CNN，通过针对目标分类任务(即确定待处理图像所表示的门脸状态是否为关闭状态)的训练过程，可以实现针对待处理图像中的内容进行良好表征和分辨。例如，可以采用ResNet、DenseNet、SENet等之一来设计第一分类模型。
在操作S404，确定待处理图像的拍摄时间是否处于POI的正常营业时间段内。如果是，则执行操作S405。如果否，则执行操作S406。
本操作S404的实施原理与上文图3A所示的实施原理相同，在此不再赘述。
在操作S405，确定POI处于停业状态。
在操作S406，结束。在未确定POI处于停业状态时，该POI可以处于非停业状态或者该POI的营业状态无法判定，需要进一步依据针对该POI的其他反馈信息来确定。
可以理解，本申请实施例通过多轮次的判定过程，筛选出表示POI门脸处于关闭状态、且拍摄时间处于正常营业时间段内的待处理图像，提高POI停业状态识别过程中的ROI(region of interest)，提高POI数据加工处理效率。并且结合图像中店铺门脸的关闭状态以及时间信息来判断POI的停业状态，可以提高POI停业状态识别准确率。
在根据本申请实施例的兴趣点信息处理方法中，在利用第一分类模型对待处理图像进行第一分类处理之前，可以进行第一分类模型的获取。例如，构建并训练该第一分类模型。
图5是根据本申请一个实施例的构建并训练第一分类模型的示例流程图。
如图5所示，构建并训练第一分类模型的过程可以包括操作S501～操作S504。需要说明的是，该构建并训练分类模型的过程可以与上文中操作S201～操作S203在同一电子设备中实施，也可以在不同电子设备中实施，在此不做限制。
在操作S501，构建第一初始分类模型。
示例性地，可以采用CNN，例如ResNet、DenseNet、SENet等之一来设计第一分类模型。
在操作S502，获取多个第一样本门脸图像。
其中，多个样本图像的获取方式可以与上文中待处理图像的获取方式相同，在此不再赘述。也可以从历史已处理的大量POI门脸图像中获取多个第一样本门脸图像。
在操作S503，为多个第一样本门脸图像中的每个第一样本门脸图像添加第一标签，第一标签用于表征每个第一样本门脸图像所表示的门脸是否处于关闭状态。
在操作S504，利用多个第一样本门脸图像和多个第一样本门脸图像各自的第一标签，对第一初始分类模型进行训练，以得到预先训练的第一分类模型。
示例性地，上述对第一初始分类模型进行训练的过程可以包括：利用梯度下降(gradient descent)法，例如，SGD(stochastic gradient descent，随机梯度下降)、ADAM(adaptive moment estimation，自适应矩估计)等优化方法，对第一初始分类模型进行训练。
可以理解，在上述训练过程中，由于针对第一样本门脸图像的第一标签表征每个第一样本门脸图像所表示的门脸是否处于关闭状态，设定了目标分类任务为针对门脸状态(关闭状态和开启状态)的分类。利用大量第一样本门脸图像及相应第一标签对第一初始分类模型进行训练，可以使得第一分类模型在训练过程中快速学习到分辨图像中所表示的门脸是否处于关闭状态的良好性能。
在根据本申请实施例的兴趣点信息处理方法中，在利用第二分类模型对待处理图像进行第二分类处理之前，可以进行第二分类模型的获取。例如，构建并训练该第二分类模型。
图6是根据本申请一个实施例的构建并训练第二分类模型的示例流程图。
如图6所示，构建并训练第二分类模型的过程可以包括操作S601～操作S604。需要说明的是，该构建并训练第二分类模型的过程可以与上文中操作S201～操作S203在同一电子设备中实施，也可以在不同电子设备中实施，在此不做限制。
在操作S601，构建第二初始分类模型。
示例性地，可以采用CNN，例如ResNet、DenseNet、SENet等之一来设计第二分类模型。
在操作S602，获取多个第二样本图像。
其中，多个样本图像的获取方式可以与上文中待处理图像的获取方式相同，在此不再赘述。也可以从历史已处理的大量待处理图像中获取多个第二样本图像。
在操作S603，为多个第二样本图像中的每个第二样本图像添加第二标签，第二标签用于表征每个第二样本图像是否为POI的门脸图像。
在操作S604，利用多个第二样本图像和多个第二样本图像各自的第二标签，对第二初始分类模型进行训练，以得到预先训练的第二分类模型。
示例性地，上述对第二初始分类模型进行训练的过程可以包括：利用梯度下降法，例如，SGD、ADAM等优化方法，对第二初始分类模型进行训练。
可以理解，在上述训练过程中，由于针对第二样本图像的第二标签表征每个第二样本图像是否包含POI的门脸图像，设定了目标分类任务为针对图像是否包含门脸图像特征的分类。利用大量第二样本图像及相应第二标签对第二初始分类模型进行训练，可以使得第二分类模型在训练过程中快速学习到分辨图像中是否包含POI的门脸图像的良好性能。
在获得上述预先训练的第一分类模型和第二分类模型之后，对包括第一分类模型和第二分类模型在内的网络进行评估，判断网络的预测准确率。通过拍照时间，结合网络预测结果，进一步提高网络的预测准确率。预测准确率达到标准后，模型即可应用到业务中。
图7是根据本申请一个实施例的兴趣点信息处理装置的框图。
如图7所示，兴趣点信息处理装置700可以包括：获取模块710、第一分类模块720和确定模块730。
获取模块710用于获取待处理图像。
第一分类模块720用于当待处理图像的类型为兴趣点POI的门脸图像时，利用预先训练的第一分类模型对待处理图像进行第一分类处理，以确定待处理图像所表示的门脸状态。
确定模块730用于基于门脸状态，确定该POI的营业状态。
根据本申请的实施例，确定模块730可以包括：第一获取子模块，用于当确定待处理图像所表示的门脸状态为关闭状态时，获取待处理图像的拍摄时间和该POI的营业时间段；以及，第一分析子模块，用于当待处理图像的拍摄时间落入该营业时间段时，确定该POI的营业状态为停业状态。
根据本申请的实施例，确定模块730可以包括：第二获取子模块，用于当确定待处理图像所表示的门脸状态为关闭状态时，获取待处理图像的拍摄时间、该POI的营业时间段、针对待处理图像的地理位置信息、以及该POI所属的行业信息；第二分析子模块，用于根据待处理图像的拍摄时间与该POI的营业时间段之间的关系，确定第一权重；根据地理位置信息，确定第二权重；根据该POI所属的行业信息，确定第三权重；基于第一权重、第二权重和第三权重，确定该POI的评估值；以及，当评估值大于预定阈值时，确定该POI的营业状态为停业状态。
示例性地，第二获取子模块具体用于对待处理图像进行文字识别，以得到文字识别结果；根据文字识别结果确定该POI的名称信息，并根据该POI的名称信息，确定该POI所属的行业信息。
根据本申请的实施例，上述装置700还可以包括：第一构建模块，用于在第一分类模块利用预先训练的第一分类模型对待处理图像进行第一分类处理之前，构建第一初始分类模型；第一样本获取及处理模块，用于获取多个第一样本门脸图像，并为多个第一样本门脸图像中的每个第一样本门脸图像添加第一标签，第一标签用于表征每个第一样本门脸图像所表示的门脸是否处于关闭状态；以及，第一训练模块，用于利用多个第一样本门脸图像和多个第一样本门脸图像各自的第一标签，对第一初始分类模型进行训练，以得到预先训练的第一分类模型。
根据本申请的实施例，上述装置700还可以包括第二分类模块，用于利用预先训练的第二分类模型对待处理图像进行第二分类处理，以确定待处理图像是否为兴趣点POI的门脸图像。
根据本申请的实施例，上述装置700还可以包括：第二构建模块，用于在第二分类模块利用预先训练的第二分类模型对待处理图像进行第二分类处理之前，构建第二初始分类模型；第二样本获取及处理模块，用于获取多个第二样本图像；为多个第二样本图像中的每个第二样本图像添加第二标签，第二标签用于表征每个第二样本图像是否为POI的门脸图像；以及，第二训练模块，用于利用多个第二样本图像和多个第二样本图像各自的第二标签，对第二初始分类模型进行训练，以得到预先训练的第二分类模型。
示例性地，第一初始分类模型为卷积神经网络。或者，第二初始分类模型为卷积神经网络。
示例性地，第一训练模块用于利用梯度下降法对第一初始分类模型进行训练。或者，第二训练模块用于对第二初始分类模型进行训练包括：利用梯度下降法对第二初始分类模型进行训练。
进一步地，根据本申请的实施例，上述装置700还可以更新模块，用于在确定POI的营业状态之后，在地图中更新该POI的营业状态。
需要说明的是，装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。
根据本申请的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本申请实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本申请实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本申请实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的兴趣点信息处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的兴趣点信息处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的兴趣点信息处理方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的兴趣点信息处理方法对应的程序指令/模块(例如，附图7所示的获取模块710、第一分类模块720和确定模块730)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的兴趣点信息处理方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
兴趣点信息处理方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与兴趣点信息处理方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，POI信息处理方法在确定待处理图像包含一个POI的门脸图像之后，还对该待处理图像进行第一分类处理，以进一步确定该待处理图像所包含的POI的门脸图像所表示的门脸状态。该门脸状态直接反映了拍摄待处理图像时该POI的实际门脸状态，结合关于该POI的相关验真情报信息，可以确定该POI的当前实际营业状态。上述过程结合针对POI的图像信息来对POI的营业状态进行判定，可以有效地提高POI停业信息识别的准确性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (22)

1.一种兴趣点信息处理方法，包括：
获取待处理图像；
当所述待处理图像的类型为兴趣点POI的门脸图像时，利用预先训练的第一分类模型对所述待处理图像进行第一分类处理，以确定所述待处理图像所表示的门脸状态；以及
基于所述门脸状态，确定所述POI的营业状态。
2.根据权利要求1所述的方法，其中，所述基于所述门脸状态，确定所述POI的营业状态包括：
当确定所述待处理图像所表示的门脸状态为关闭状态时，
获取所述待处理图像的拍摄时间和所述POI的营业时间段；以及
当所述待处理图像的拍摄时间落入所述营业时间段时，确定所述POI的营业状态为停业状态。
3.根据权利要求1所述的方法，其中，所述基于所述门脸状态，确定所述POI的营业状态包括：
当确定所述待处理图像所表示的门脸状态为关闭状态时，
获取所述待处理图像的拍摄时间、所述POI的营业时间段、针对所述待处理图像的地理位置信息、以及所述POI所属的行业信息；
根据所述待处理图像的拍摄时间与所述POI的营业时间段之间的关系，确定第一权重；
根据所述地理位置信息，确定第二权重；
根据所述POI所属的行业信息，确定第三权重；
基于所述第一权重、所述第二权重和所述第三权重，确定所述POI的评估值；以及
当所述评估值大于预定阈值时，确定所述POI的营业状态为停业状态。
4.根据权利要求3所述的方法，其中，获取所述POI所属的行业信息包括：
对所述待处理图像进行文字识别，以得到文字识别结果；
根据所述文字识别结果确定所述POI的名称信息；以及
根据所述POI的名称信息，确定所述POI所属的行业信息。
5.根据权利要求1所述的方法，还包括：
在所述利用预先训练的第一分类模型对所述待处理图像进行第一分类处理之前，
构建第一初始分类模型；
获取多个第一样本门脸图像；
为所述多个第一样本门脸图像中的每个第一样本门脸图像添加第一标签，所述第一标签用于表征所述每个第一样本门脸图像所表示的门脸是否处于关闭状态；以及
利用所述多个第一样本门脸图像和所述多个第一样本门脸图像各自的第一标签，对所述第一初始分类模型进行训练，以得到所述预先训练的第一分类模型。
6.根据权利要求1所述的方法，还包括：
利用预先训练的第二分类模型对所述待处理图像进行第二分类处理，以确定所述待处理图像是否为兴趣点POI的门脸图像。
7.根据权利要求6所述的方法，还包括：
在所述利用预先训练的第二分类模型对所述待处理图像进行第二分类处理之前，
构建第二初始分类模型；
获取多个第二样本图像；
为所述多个第二样本图像中的每个第二样本图像添加第二标签，所述第二标签用于表征所述每个第二样本图像是否为POI的门脸图像；以及
利用所述多个第二样本图像和所述多个第二样本图像各自的第二标签，对所述第二初始分类模型进行训练，以得到所述预先训练的第二分类模型。
8.根据权利要求5或7所述的方法，其中，
所述第一初始分类模型为卷积神经网络；或者
所述第二初始分类模型为卷积神经网络。
9.根据权利要求8所述的方法，其中，
所述对所述第一初始分类模型进行训练包括：利用梯度下降法对所述第一初始分类模型进行训练；或者
所述对所述第二初始分类模型进行训练包括：利用梯度下降法对所述第二初始分类模型进行训练。
10.根据权利要求1-7中任一项所述的方法，还包括：
在所述确定所述POI的营业状态之后，在地图中更新所述POI的营业状态。
11.一种兴趣点信息处理装置，包括：
获取模块，用于获取待处理图像；
第一分类模块，用于当所述待处理图像的类型为兴趣点POI的门脸图像时，利用预先训练的第一分类模型对所述待处理图像进行第一分类处理，以确定所述待处理图像所表示的门脸状态；以及
确定模块，用于基于所述门脸状态，确定所述POI的营业状态。
12.根据权利要求11所述的装置，其中，所述确定模块包括：
第一获取子模块，用于当确定所述待处理图像所表示的门脸状态为关闭状态时，获取所述待处理图像的拍摄时间和所述POI的营业时间段；以及
第一分析子模块，用于当所述待处理图像的拍摄时间落入所述营业时间段时，确定所述POI的营业状态为停业状态。
13.根据权利要求11所述的装置，其中，所述确定模块包括：
第二获取子模块，用于当确定所述待处理图像所表示的门脸状态为关闭状态时，获取所述待处理图像的拍摄时间、所述POI的营业时间段、针对所述待处理图像的地理位置信息、以及所述POI所属的行业信息；以及
第二分析子模块，用于根据所述待处理图像的拍摄时间与所述POI的营业时间段之间的关系，确定第一权重；根据所述地理位置信息，确定第二权重；根据所述POI所属的行业信息，确定第三权重；基于所述第一权重、所述第二权重和所述第三权重，确定所述POI的评估值；以及，当所述评估值大于预定阈值时，确定所述POI的营业状态为停业状态。
14.根据权利要求13所述的装置，其中，
所述第二获取子模块，用于对所述待处理图像进行文字识别，以得到文字识别结果；根据所述文字识别结果确定所述POI的名称信息；以及，根据所述POI的名称信息，确定所述POI所属的行业信息。
15.根据权利要求11所述的装置，还包括：
第一构建模块，用于在所述利用预先训练的第一分类模型对所述待处理图像进行第一分类处理之前，构建第一初始分类模型；
第一样本获取及处理模块，用于获取多个第一样本门脸图像；并为所述多个第一样本门脸图像中的每个第一样本门脸图像添加第一标签，所述第一标签用于表征所述每个第一样本门脸图像所表示的门脸是否处于关闭状态；以及
第一训练模块，用于利用所述多个第一样本门脸图像和所述多个第一样本门脸图像各自的第一标签，对所述第一初始分类模型进行训练，以得到所述预先训练的第一分类模型。
16.根据权利要求11所述的装置，还包括：
第二分类模块，用于利用预先训练的第二分类模型对所述待处理图像进行第二分类处理，以确定所述待处理图像是否为兴趣点POI的门脸图像。
17.根据权利要求16所述的装置，还包括：
第二构建模块，用于在所述利用预先训练的第二分类模型对所述待处理图像进行第二分类处理之前，构建第二初始分类模型；
第二样本获取及处理模块，用于获取多个第二样本图像；并为所述多个第二样本图像中的每个第二样本图像添加第二标签，所述第二标签用于表征所述每个第二样本图像是否为POI的门脸图像；以及
第二训练模块，用于利用所述多个第二样本图像和所述多个第二样本图像各自的第二标签，对所述第二初始分类模型进行训练，以得到所述预先训练的第二分类模型。
18.根据权利要求15或17所述的装置，其中，
所述第一初始分类模型为卷积神经网络；或者
所述第二初始分类模型为卷积神经网络。
19.根据权利要求18所述的装置，其中，
所述第一训练模块，用于利用梯度下降法对所述第一初始分类模型进行训练；或者
所述第二训练模块，用于利用梯度下降法对所述第二初始分类模型进行训练。
20.根据权利要求11-17中任一项所述的装置，还包括：
更新模块，用于在所述确定所述POI的营业状态之后，在地图中更新所述POI的营业状态。
21.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
CN202010700887.0A 2020-07-20 2020-07-20 兴趣点信息处理方法、装置、电子设备和存储介质 Active CN111832658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010700887.0A CN111832658B (zh) 2020-07-20 2020-07-20 兴趣点信息处理方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010700887.0A CN111832658B (zh) 2020-07-20 2020-07-20 兴趣点信息处理方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111832658A true CN111832658A (zh) 2020-10-27
CN111832658B CN111832658B (zh) 2023-08-18

Family

ID=72923330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010700887.0A Active CN111832658B (zh) 2020-07-20 2020-07-20 兴趣点信息处理方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111832658B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560789A (zh) * 2020-12-28 2021-03-26 平安银行股份有限公司 图像对象检测方法、装置、电子设备及存储介质
CN112818972A (zh) * 2020-12-25 2021-05-18 北京百度网讯科技有限公司 兴趣点图像的检测方法、装置、电子设备及存储介质
CN112988823A (zh) * 2021-03-09 2021-06-18 北京百度网讯科技有限公司 对象处理方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866542A (zh) * 2015-05-05 2015-08-26 腾讯科技（深圳）有限公司 一种poi数据验证方法和装置
KR20160100465A (ko) * 2015-02-14 2016-08-24 롤스톤 주식회사 실시간 매장영업시작 알림 서비스 방법 및 시스템
CN106878423A (zh) * 2017-02-21 2017-06-20 苏州亮磊知识产权运营有限公司 一种基于监控摄像头的商店营业信息提供方法及其装置
CN109214280A (zh) * 2018-07-27 2019-01-15 北京三快在线科技有限公司 基于街景的店铺识别方法、装置、电子设备及存储介质
CN109858683A (zh) * 2019-01-07 2019-06-07 北京三快在线科技有限公司 确定店铺的营业状态的方法、装置、电子设备及存储介质
CN110009364A (zh) * 2019-01-08 2019-07-12 阿里巴巴集团控股有限公司 一种行业识别模型确定方法和装置
CN110347775A (zh) * 2019-07-17 2019-10-18 北京百度网讯科技有限公司 兴趣点状态校正方法、装置、设备及计算机可读存储介质
CN110727816A (zh) * 2018-06-29 2020-01-24 百度在线网络技术（北京）有限公司 兴趣点类别确定方法和装置
CN110851738A (zh) * 2019-10-28 2020-02-28 百度在线网络技术（北京）有限公司 获取poi状态信息的方法、装置、设备和计算机存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160100465A (ko) * 2015-02-14 2016-08-24 롤스톤 주식회사 실시간 매장영업시작 알림 서비스 방법 및 시스템
CN104866542A (zh) * 2015-05-05 2015-08-26 腾讯科技（深圳）有限公司 一种poi数据验证方法和装置
CN106878423A (zh) * 2017-02-21 2017-06-20 苏州亮磊知识产权运营有限公司 一种基于监控摄像头的商店营业信息提供方法及其装置
CN110727816A (zh) * 2018-06-29 2020-01-24 百度在线网络技术（北京）有限公司 兴趣点类别确定方法和装置
CN109214280A (zh) * 2018-07-27 2019-01-15 北京三快在线科技有限公司 基于街景的店铺识别方法、装置、电子设备及存储介质
CN109858683A (zh) * 2019-01-07 2019-06-07 北京三快在线科技有限公司 确定店铺的营业状态的方法、装置、电子设备及存储介质
CN110009364A (zh) * 2019-01-08 2019-07-12 阿里巴巴集团控股有限公司 一种行业识别模型确定方法和装置
CN110347775A (zh) * 2019-07-17 2019-10-18 北京百度网讯科技有限公司 兴趣点状态校正方法、装置、设备及计算机可读存储介质
CN110851738A (zh) * 2019-10-28 2020-02-28 百度在线网络技术（北京）有限公司 获取poi状态信息的方法、装置、设备和计算机存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王席席;李云岭;: "地名地址数据中兴趣点的建设研究", 地理信息世界, no. 05 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818972A (zh) * 2020-12-25 2021-05-18 北京百度网讯科技有限公司 兴趣点图像的检测方法、装置、电子设备及存储介质
CN112818972B (zh) * 2020-12-25 2024-03-22 北京百度网讯科技有限公司 兴趣点图像的检测方法、装置、电子设备及存储介质
CN112560789A (zh) * 2020-12-28 2021-03-26 平安银行股份有限公司 图像对象检测方法、装置、电子设备及存储介质
CN112988823A (zh) * 2021-03-09 2021-06-18 北京百度网讯科技有限公司 对象处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111832658B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN111832658B (zh) 兴趣点信息处理方法、装置、电子设备和存储介质
US10007867B2 (en) Systems and methods for identifying entities directly from imagery
CN111998860B (zh) 自动驾驶定位数据校验方法、装置、电子设备及存储介质
CN105405150B (zh) 基于融合特征的异常行为检测方法和装置
CN111598164B (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
CN112132113A (zh) 车辆再识别的方法、装置、训练方法以及电子设备
CN112507949A (zh) 目标跟踪方法、装置、路侧设备以及云控平台
CN111832578A (zh) 兴趣点信息处理方法、装置、电子设备和存储介质
CN111708858A (zh) 一种地图数据处理方法、装置、设备以及存储介质
CN112861975A (zh) 分类模型的生成方法、分类方法、装置、电子设备与介质
CN112613569B (zh) 图像识别方法、图像分类模型的训练方法及装置
US20220357176A1 (en) Methods and data processing systems for predicting road attributes
CN112419722A (zh) 交通异常事件检测方法、交通管控方法、设备和介质
CN111881908A (zh) 目标检测模型的修正方法、检测方法、装置、设备及介质
CN112668586A (zh) 模型训练、图片处理方法及设备、存储介质、程序产品
CN113673281B (zh) 限速信息确定方法、装置、设备以及存储介质
CN112507832A (zh) 监控场景下的犬只检测方法、装置、电子设备和存储介质
CN112581533A (zh) 定位方法、装置、电子设备及存储介质
CN114003672B (zh) 一种道路动态事件的处理方法、装置、设备和介质
CN111563541B (zh) 图像检测模型的训练方法和装置
CN113011298A (zh) 截断物体样本生成、目标检测方法、路侧设备和云控平台
KR20220027000A (ko) 지리적 위치점들의 공간 관계를 추출하는 방법 및 장치
CN112749701A (zh) 车牌污损分类模型的生成方法和车牌污损分类方法
CN113361303A (zh) 临时交通标志牌识别方法、装置及设备
CN111783635A (zh) 图像标注方法、装置、设备以及存储介质

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
GR01 Patent grant
GR01 Patent grant