CN111967490A - 用于地图检测的模型训练方法和地图检测方法 - Google Patents
用于地图检测的模型训练方法和地图检测方法 Download PDFInfo
- Publication number
- CN111967490A CN111967490A CN202010603165.3A CN202010603165A CN111967490A CN 111967490 A CN111967490 A CN 111967490A CN 202010603165 A CN202010603165 A CN 202010603165A CN 111967490 A CN111967490 A CN 111967490A
- Authority
- CN
- China
- Prior art keywords
- image
- map
- training
- model
- adjusted
- 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
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
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本申请公开了一种用于地图检测的模型训练方法和地图检测方法,涉及人工智能、计算机视觉以及深度学习技术领域。具体实现方案为:通过获取到展示有地图的第一图像和未展示地图的第二图像后,根据第二图像的图像尺寸,调整第一图像的图像尺寸,将调整后的展示有地图的第一图像融合至第二图像,以得到训练图像,从而使得训练图像更加符合实际场景,丰富了训练集;进一步地,根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注,将标注的训练图像添加至训练集,采用训练集对目标检测模型进行训练,从而使得训练后的目标检测模型可以精确的识别出图像中的地图,以及地图在图像中的位置。
Description
技术领域
本申请涉及人工智能、计算机视觉以及深度学习技术领域,具体涉及图像识别技术领域,尤其涉及一种用于地图检测的模型训练方法和地图检测方法。
背景技术
地图数据在进入互联网之前,需要进行审核,以判定是否存在缺陷。
相关技术中,对图片的审核还处在人工阶段,在图片中包含的问题地图较小时,可能存在漏检的情况,并且,人工检测存在检测速度慢,耗费大量人力成本等缺点,因此,提供一种有效的图片检测方法,代替或者降低人工审核成本,具有重大的意义。
发明内容
本申请提供了一种用于地图检测的模型训练方法、地图检测方法、装置、设备以及存储介质。
本申请第一方面实施例提供了一种用于地图检测的模型训练方法,包括:
获取展示有地图的第一图像,以及获取未展示地图的第二图像;
根据所述第二图像的图像尺寸,调整所述第一图像的图像尺寸,其中,调整后的所述第一图像的图像尺寸小于所述第二图像的图像尺寸;
将所述调整后的第一图像融合至所述第二图像,以得到训练图像,并根据所述调整后的第一图像在所述第二图像中的融合位置对所述训练图像进行标注;
将标注的所述训练图像添加至训练集;
采用所述训练集对目标检测模型进行训练。
本申请第二方面实施例提供了一种地图检测方法,包括:
获取目标检测模型,其中,所述目标检测模型是获取展示有地图的第一图像,以及获取未展示地图的第二图像,根据所述第二图像的图像尺寸,调整所述第一图像的图像尺寸,以使调整后的所述第一图像的图像尺寸小于所述第二图像的图像尺寸;将所述调整后的第一图像融合至所述第二图像,以得到训练图像,并根据所述调整后的第一图像在所述第二图像中的融合位置对所述训练图像进行标注,将标注的所述训练图像添加至训练集进行训练的得到;
采用目标检测模型对目标图像进行地图识别。
本申请第三方面实施例提供了一种用于地图检测的模型训练装置,包括:
获取模块,用于获取展示有地图的第一图像,以及获取未展示地图的第二图像;
调整模块,用于根据所述第二图像的图像尺寸,调整所述第一图像的图像尺寸,其中,调整后的所述第一图像的图像尺寸小于所述第二图像的图像尺寸;
融合模块,用于将所述调整后的第一图像融合至所述第二图像,以得到训练图像,并根据所述调整后的第一图像在所述第二图像中的融合位置对所述训练图像进行标注;
处理模块,用于将标注的所述训练图像添加至训练集;
第一训练模块,用于采用所述训练集对目标检测模型进行训练。
本申请第四方面实施例提供了一种地图检测装置,包括:
模型获取模块,用于获取目标检测模型,其中,所述目标检测模型是获取展示有地图的第一图像,以及获取未展示地图的第二图像,根据所述第二图像的图像尺寸,调整所述第一图像的图像尺寸,以使调整后的所述第一图像的图像尺寸小于所述第二图像的图像尺寸;将所述调整后的第一图像融合至所述第二图像,以得到训练图像,并根据所述调整后的第一图像在所述第二图像中的融合位置对所述训练图像进行标注,将标注的所述训练图像添加至训练集进行训练的得到;
地图识别模块,用于采用目标检测模型对目标图像进行地图识别。
本申请第五方面实施例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,
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第一方面实施例的用于地图检测的模型训练方法,或者,执行第二方面实施例的地图检测方法。
本申请第六方面实施例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,所述计算机指令用于使所述计算机执行第一方面实施例的用于地图检测的模型训练方法,或者,执行第二方面实施例的地图检测方法。
上述申请中的一个实施例具有如下优点或有益效果:通过获取到展示有地图的第一图像和未展示地图的第二图像后,根据第二图像的图像尺寸,调整第一图像的图像尺寸,将调整后的展示有地图的第一图像融合至第二图像,以得到训练图像,从而使得训练图像更加符合实际场景,丰富了训练集;进一步地,根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注,将标注的训练图像添加至训练集,采用训练集对目标检测模型进行训练,从而使得训练后的目标检测模型可以精确的识别出图像中的地图,以及地图在图像中的位置。
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1为本申请实施例一提供的用于地图检测的模型训练方法的流程示意图;
图2为本申请实施例提供的生成训练图像的示例图;
图3为本申请实施例二提供的用于地图检测的模型训练方法的流程示意图;
图4为本申请实施例三提供的用于地图检测的模型训练方法的流程示意图;
图5为本申请实施例四提供的地图检测方法的流程示意图;
图6为本申请实施例五提供的地图检测方法的流程示意图;
图7为本申请实施例提供的地图检测方法的示例图;
图8为本申请实施例六提出的用于地图检测的模型训练装置的结构示意图;
图9为本申请实施例七提供的地图检测装置的结构示意图;
图10是用来实现本申请实施例的地图检测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。
相关技术中,在对地图检测模型进行训练时,通过构造地图相关的关键词,在互联网检索平台搜索下载相关的地图数据作为训练样本,对地图检测模型进行训练。
但是,从互联网搜集到的地图数据的场景较为单一,主要为大幅地图数据,用户实际场景中的地图数据可能为图片中的某一部分,从而出现了从互联网搜索到的地图数据与用户实际场景中的地图数据相差较大,因此,采用从互联网搜集到的地图数据训练得到的地图检测模型在实际检测地图时,存在准确率低的技术问题。
鉴于此,本申请提出了一种用于地图检测的模型训练方法,通过获取展示有地图的第一图像,以及获取未展示地图的第二图像,根据第二图像的图像尺寸,调整第一图像的图像尺寸,使得调整后的第一图像的图像尺寸小于第二图像的图像尺寸,将调整后的第一图像融合至第二图像,以得到训练图像,并根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注,将标注的训练图像添加至训练集,采用训练集对目标检测模型进行训练。由此,通过合成满足实际场景的训练图像对目标检测模型进行训练,以得到高精度的目标检测模型,从而提高了地图检测的准确率。
下面参考附图描述本申请实施例的用于地图检测的模型训练方法、地图检测方法、装置、电子设备和存储介质。
图1为本申请实施例一提供的用于地图检测的模型训练方法的流程示意图。
本申请实施例以该用于地图检测的模型训练方法被配置于用于地图检测的模型训练装置中来举例说明,该用于地图检测的模型训练装置可以应用于任一电子设备中,以使该电子设备可以执行用于地图检测的模型训练功能。
其中,电子设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统的硬件设备。
如图1所示,该用于地图检测的模型训练方法,可以包括以下步骤:
步骤101,获取展示有地图的第一图像,以及获取未展示地图的第二图像。
为了便于区分,本申请中将包含有地图的图像命名为第一图像,将未包含有地图的图像命名为第二图像,当然,也可以采用其他的命名方式,在此不做限定。
其中,地图,可以为任意国家或地区的地图,例如,可以为中国地图、欧洲地图等,在此不做限定。
本申请实施例中,展示有地图的第一图像,可以为展示有正确地图的第一图像,也可以为展示有异常地图的第一图像。
可选地,可以采用数据爬取技术从网页上的获取展示有正确地图的第一图像。在获取到展示有正确地图的第一图像后,可以通过修改某地区颜色,人工删除某地区、修改边界线颜色等方式对展示有正确地图的第一图像进行调整,以得到展示有异常地图的第一图像。
本申请实施例中,第二图像可以为用户场景数据,也可以为在目标检测模型训练过程中误检出的展示有地图的图像。例如,用户的生活照图像、用户打游戏场景图像,还例如,图像未展示有地图,但是目标检测模型检测出该图像展示有地图,则可以将该图像作为第二图像。
步骤102,根据第二图像的图像尺寸,调整第一图像的图像尺寸。
其中,调整后的第一图像的图像尺寸小于第二图像的图像尺寸。
可以理解的是,为了将展示有地图的第一图像和未展示地图的第二图像融合成符合实际场景的展示有地图的图像,需要根据第二图像的图像尺寸对第一图像的图像尺寸进行调整。
本申请中,获取到第一图像和第二图像后,可以根据第二图像的图像尺寸,对第一图像的图像尺寸进行调整,以使得调整后的第一图像的图像尺寸小于第二图像的图像尺寸。
例如,获取到的第一图像的尺寸大于第二图像的尺寸,可以对第一图像的尺寸进行缩放,以使得第一图像的缩放后的第一图像的图像尺寸小于第二图像的图像尺寸。
此外,在获取到的第一图像的图像尺寸已经小于第二图像的图像尺寸时,也可以不调整第一图像的图像尺寸,因此,可以根据第二图像的图像尺寸大小确定是否需要对第一图像的图像尺寸进行调整。
步骤103,将调整后的第一图像融合至第二图像,以得到训练图像,并根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注。
本申请实施例中,将第一图像的图像尺寸调整为小于第二图像的图像尺寸后,可以将调整后的第一图像融合至第二图像,以得到训练图像。
其中,图像融合是图像处理中重要部分,能够协同利用同一场景的多种传感器图像信息,输出一幅更适合于人类视觉感知或计算机进一步处理与分析的融合图像。它可明显的改善单一传感器的不足,提高结果图像的清晰度及信息包含量,有利于更为准确、更为可靠、更为全面地获取目标或场景的信息。融合过程可以在不同的层次上进行,可分为:信号级、像素级、特征级,决策级。
作为一种可能的实现方式,在获取到调整后的第一图像和第二图像后,可以对调整后的第一图像和第二图像进行像素级的融合,以得到训练图像。
可选地,可以将调整后的第一图像作为前景,将第二图像作为背景,并随机确定前景和背景之间的相对位置,以根据相对位置,对调整后的第一图像和第二图像进行像素加权融合,进而得到训练图像。
作为另一种可能的实现方式,在获取到调整后的第一图像和第二图像后,还可以对调整后的第一图像和第二图像进行特征级的融合,以得到训练图像。
可选地,在获取到调整后的第一图像和第二图像后,可以对调整后的第一图像和第二图像分别进行特征提取,进而将提取得到的特征数据进行融合,以得到训练图像。
其中,特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。其中,常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。本申请中对调整后的第一图像和第二图像进行特征提取时,可以提取图像的颜色特征、纹理特征、形状特征、空间关系特征中的至少一个。
作为又一种可能的实现方式,还可以采用泊松融合方法将调整后的第一图像融合至第二图像,以得到训练图像。
需要说明的是,上述将调整后的第一图像融合至第二图像的方式仅作为示例性描述,当然,也可以采用其他方式将调整后的第一图像融合至第二图像,在此不做限定。
作为一种示例,如图2所示,假设未展示地图的第二图像为图2中的海洋图像,在获取到展示有地图的第一图像后,可以根据第二图像的图像尺寸,调整第一图像的图像尺寸,以使得调整后的第一图像的图像尺寸小于第二图像的图像尺寸,进而将展示有地图的第一图像与图2中的第二图像进行融合,以得到融合后的训练图像。
本申请实施例中,将调整后的第一图像融合至第二图像得到训练图像后,可以根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注,可以标注出调整后的第一图像在训练图像中的位置,还可以标注出调整后的第一图像的类别,即调整后的第一图像中展示有地图。
例如,可以采用矩形框在训练图像中标注出调整后的第一图像的位置。
步骤104,将标注的训练图像添加至训练集。
其中,训练集中可以包含有标注的训练图像,还可以包括有未展示地图的训练图像,以对目标检测模型进行训练。
本申请中,在训练图像中标注调整后的第一图像在第二图像中的融合位置后,可以将标注的训练图像添加至训练集,以采用训练集对目标检测模型进行训练。
可以理解的是,用于训练目标检测模型的训练图像中不包括负样本,因此,需要在包含有地图的训练图像中标注出地图的位置,即标注出检测框,以将标注的训练样本添加至训练集,对目标检测模型进行训练。
步骤105,采用训练集对目标检测模型进行训练。
作为一种可能的实现方式,采用训练集对目标检测模型进行训练时,可以采用YOLOv3目标检测算法对目标检测模型进行训练,以得到高精度的目标检测模型,从而采用训练后的目标检测模型可以精确的识别出图像中的有地图,以及地图在图像中的位置。
作为另一种可能的实现方式,还可以采用基于深度学习的模型训练方法,采用训练集对目标检测模型进行训练,以使得训练后的目标检测模型可以精确的识别出图像中的有地图,以及地图在图像中的位置。
本申请实施例的用于地图检测的模型训练方法,获取到展示有地图的第一图像和未展示地图的第二图像后,根据第二图像的图像尺寸,调整第一图像的图像尺寸,将调整后的展示有地图的第一图像融合至第二图像,以得到训练图像,从而使得训练图像更加符合实际场景,丰富了训练集;进一步地,根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注,将标注的训练图像添加至训练集,采用训练集对目标检测模型进行训练,从而解决了现有的检测模型在训练中训练样本单一,导致检测模型精确度较低的技术问题,使得训练后的目标检测模型可以精确的识别出图像中的地图,以及地图在图像中的位置。
在对目标检测模型进行训练的过程中,为了进一步提高检测模型的检测准确率,降低误检率,可以将目标检测模型误检出地图的图像作为第二图像,以对目标检测模型进行进一步训练,进而提高目标检测模型检测地图的精确度。下面结合图3对上述过程进行详细介绍,图3为本申请实施例二提供的用于地图检测的模型训练方法的流程示意图。
如图3所示,在上述实施例一中步骤105之后,还可以包括以下步骤:
步骤201,采用目标检测模型对训练集进行目标检测,以从训练集中检测出展示有地图的图像。
本申请实施例中,在采用训练集对目标检测模型进行训练的过程中,采用目标检测模型对训练集中的训练图像进行目标检测,以从训练集中检测出展示有地图的图像。
在一种可能的情况下,目标检测模型对训练集中的训练图像进行目标检测时,可能将调整后的展示有地图的第一图像融合至第二图像得到的标注的训练图像检测出来,以确定训练图像中展示有地图,以及训练图像中地图的位置。
在另一种可能的情况下,由于训练集中包含有未展示有地图的训练图像,目标检测模型对训练集进行目标检测时,可能会将未展示有地图的训练图像误检出展示有地图。
步骤202,将训练集中,目标检测模型误检出地图的图像作为第二图像。
为了避免目标检测模型将未展示有地图的训练图像误检出地图,可以采用目标检测模型误检出的图像对目标检测模型继续进行训练,以提高目标检测模型检测地图的准确率,降低误检率。
本申请实施例中,采用目标检测模型对训练集进行目标检测时,可能存在将未展示有地图的训练图像误检出地图,此时,可以将训练集中,目标检测模型误检出地图的图像作为第二图像,以根据展示有地图的第一图像继续对目标检测模型进行训练。
步骤203,根据第二图像的图像尺寸,调整第一图像的图像尺寸。
其中,第二图像为目标检测模型将训练集中未展示有地图的训练图像误检出地图的图像。
本申请中,根据第二图像的图像尺寸调整第一图像的图像尺寸的实现过程,可以参见上述实施例一中步骤102的实现过程,在此不再赘述。
步骤204,将调整后的第一图像作为前景,并将第二图像作为背景进行融合,以得到训练图像,并根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注。
本申请实施例中,根据第二图像的图像尺寸调整第一图像的图像尺寸,以使得调整后的第一图像的图像尺寸小于第二图像的图像尺寸后,可以将调整后的第一图像作为前景,将第二图像作为背景进行融合,以得到训练图像。由此,使得训练图像中包含有地图,能够更加符合实际的场景,进而采用训练图像对目标检测模型进行训练时,能够提高目标检测模型的检测精度。
作为一种可能的实现方式,在将调整后的第一图像作为前景,将第二图像作为背景进行融合时,可以随机确定前景和背景之间的相对位置,以根据相对位置,将作为前景的调整后的第一图像,以及作为背景的第二图像进行融合,以得到训练图像。
作为一种示例,可以将作为前景的调整后的第一图像位于第二图像的左上方、右上方、左下方、右下方、中心位置等任意位置处,以根据调整后的第一图像和第二图像的相对位置,将调整后的第一图像融合至第二图像。
由此,通过随机确定作为前景的调整后的第一图像,以及作为背景的第二图像之间的相对位置,进而采用随机融合得到的训练图像对目标检测模型进行训练时,能使得训练后的目标检测模型准确的检测出图像中地图的位置。
需要说明的是,根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注的过程,可以参见上述实施例一中步骤103的实现过程,在此不再赘述。
步骤205,将标注的训练图像添加至训练集。
步骤206,采用训练集对目标检测模型进行训练。
本申请实施例中,步骤205和步骤206的实现过程,可以参见上述实施例一中步骤104和步骤105的实现过程,在此不再赘述。
本申请实施例的用于地图检测的模型训练方法,将目标检测模型对训练集进行目标检测时,误检出地图的图像作为第二图像,以根据第二图像对展示有地图的第一图像进行调整,将调整后的第一图像作为前景,并将第二图像作为背景进行融合,以得到训练图像,进而根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注,将标注的训练图像添加至训练集,以采用训练集对目标检测模型进行训练。由此,将误检出的图像与地图图像合成作为训练图像继续对目标检测模型进行训练,使得训练后的目标检测模型能够将误检出的图像与地图图像区分开,进而提高了目标检测模型检测地图的精确度。
在上述实施例的基础上,采用训练集中的训练图像对目标检测模型进行训练时,目标检测模型能够检测出训练图像中是否包含有地图,以及确定包含有地图的训练图像中地图的位置,但是,目标检测模型并未检测出训练图像中包括的地图是否为异常类型的地图,因此,需要进一步判断目标检测模型检测出的包含有地图的图像中的地图是否存在异常。鉴于此,本申请中通过根据异常类型进行标注的训练图像对分类模型进行训练,以使得分类模型能够识别出图像中的地图是否存在异常。下面结合图4 进行详细介绍,图4为本申请实施例三提供的用于地图检测的模型训练方法的流程示意图。
如图4所示,该用于地图检测的模型训练方法,还可以包括以下步骤:
步骤301,搜索以得到原始地图。
其中,原始地图,是指没有任何问题的正确的地图,可以为某一国家或地区的地图,也可以为世界地图,在此不做限定。
本申请中,可以在各搜索网站的搜索框中输入原始地图对应的关键词,以搜索得到对应的原始地图,进而采用数据爬取技术从各搜索网站上的获取原始数据。
步骤302,根据设定的异常类型,对原始地图进行调整,以得到属于异常类型的第一图像。
其中,设定的异常类型,可以包括部分地区增加或缺失,原始地图部分颜色异常,边界区域颜色不一致等等。
可以理解的是,由于设定的异常类型的图像获取比较困难,本申请中,可以根据设定的异常类型,对搜索得到的原始图像进行调整,以得到异常类型对应的第一图像。
作为一种可能的情况,假设异常类型为某地区增加,可以对原始地图进行轮廓识别,以得到原始地图的轮廓区域,进而根据异常类型,对原始地图的轮廓进行调整,以使得调整后的原始地图的轮廓大于调整前的原始图像的轮廓,导致调整后的原始地图中多了不属于自身的区域,从而得到异常类型的第一图像。
作为另一种可能的情况,假设异常类型为某地区缺失,可以对原始地图进行轮廓识别,以得到原始地图的轮廓区域,进而根据异常类型,对原始地图的轮廓进行调整,以使得调整后的原始地图的轮廓小于调整前的原始图像的轮廓,导致调整后的原始地图中缺失了某区域,从而得到异常类型的第一图像。
需要解释的是,图像的轮廓识别在人脸视觉和计算机视觉中均起着重要的作用。可选地,在对原始地图进行轮廓识别时,可以首先将原始地图进行二值化处理,进而利用边缘点连接的层次差别,提取位于数结构特征高的区域点集构成的集合,以得到原始地图的轮廓。
作为又一种可能的情况,可以根据异常类型,从原始地图中识别得到目标区域以及除目标区域以外的参考区域,进而对原始地图中的目标区域进行改色,以使改色后的目标区域与参考区域颜色存在差异,进而得到异常类型的第一图像。
举例来说,假设原始地图中目标区域A与参考区域B的颜色一致,均为灰色,可以对原始地图中的目标区域A进行改色,将目标区域A修改为红色,以使得改色后的目标区域A与参考区域B颜色存在差异。
步骤303,获取未展示地图的第二图像。
步骤304,根据第二图像的图像尺寸,调整第一图像的图像尺寸。
步骤305,将调整后的第一图像融合至第二图像,以得到训练图像。
本申请实施例中,步骤303至步骤305的实现过程,可以参见上述实施例一中步骤101至步骤103的实现过程,在此不再赘述。
步骤306,根据异常类型,对训练集中的训练图像进行标注。
本申请实施例中,在将调整后的第一图像融合至第二图像,以得到训练图像后,可以根据第一图像的异常类型对训练图像进行标注,进而将标注后的训练图像添加至训练集。
举例来说,假设异常类型的第一图像为部分地区缺失,可以将该异常类型的第一图像融合至第二图像得到的训练图像标注为数字1;假设异常类型的第一图像为部分地区颜色异常,可以将该异常类型的第一图像融合至第二图像得到的训练图像标注为数字2;假设异常类型的第一图像为部分地区增加,可以将该异常类型的第一图像融合至第二图像得到的训练图像标注为数字3,等等。
需要说明的是,对训练集中的训练图像进行标注时,还需要对训练集中不存在异常的训练图像进行标注。例如,可以将不存在异常的训练图像标注为数字0。
步骤307,采用训练集,对分类模型进行训练。
本申请实施例中,可以基于深度学习的模型训练方法,采用训练集对分类模型进行训练,以使得训练后的分类模型能够准确的识别出展示有地图的图像的地图是否异常,以及地图的异常类型。
本申请实施例的用于地图检测的模型训练方法,在搜索以得到原始地图后,根据设定的异常类型,对原始地图进行调整,以得到属于异常类型的第一图像,进而,将异常类型的第一图像融合至未展示地图的第二图像,得到训练图像,根据异常类型,对训练集中的训练图像进行标注,采用训练集,对分类模型进行训练。由此,通过标注异常类型的训练图像对分类模型进行训练,使得训练后的分类模型能够准确识别出展示有地图的图像中的地图是否异常,以及地图的异常类型,从而解决了现有技术中通过人工的方式对地图进行检查,导致人工成本较高的技术问题。
在上述实施例的基础上,对用于地图检测的目标检测模型训练结束后,可以采用训练后的目标检测模型对图像进行识别,以判断图像中是否包含有地图。下面结合图 5进行详细介绍,图5为本申请实施例四提供的地图检测方法的流程示意图。
如图5所示,该地图检测方法,可以包括以下步骤:
步骤401,获取目标检测模型。
其中,目标检测模型是获取展示有地图的第一图像,以及获取未展示地图的第二图像,根据第二图像的图像尺寸,调整第一图像的图像尺寸,以使调整后的第一图像的图像尺寸小于第二图像的图像尺寸,进而将调整后的第一图像融合至第二图像,以得到训练图像,并根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注,将标注的训练图像添加至训练集进行训练的得到。
在一种可能的情况下,第二图像可以是采用目标检测模型对训练集进行目标检测,将训练集中目标检测模型误检出地图的图像。
其中,将调整后的第一图像融合至第二图像,以得到训练图像时,可以将调整后的第一图像作为前景,将第二图像作为背景,随机确定前景和背景之间的相对位置,以根据相对位置,将作为前景的调整后的第一图像,以及将作为背景的第二图像进行融合,以得到训练图像。
需要说明的是,对目标检测模型的训练过程,可以参见上述实施例一和实施例二的实现过程,在此不再赘述。
步骤402,采用目标检测模型对目标图像进行地图识别。
本申请实施例中,获取到目标检测模型后,可以采用目标检测模型对目标图像进行地图识别,以确定目标图像中是否包含有地图。
在一种可能的情况下,采用目标检测模型对目标图像进行识别,可以确定目标图像中不包含有地图。
在另一种可能的情况下,采用目标检测模型对目标图像进行识别,可以确定目标图像中包含有地图,以及地图在目标图像中的位置。
由此,通过训练后的目标检测模型对目标图像进行检测,实现了通过目标检测模型可以精确的识别出目标图像是否包含有地图,以及地图在目标图像中位置,由于目标检测模型是经过训练得到的,有利于提高目标检测模型对目标图像进行地图识别的精确率,降低了误检率。
在上述实施例的基础上,采用目标检测模型识别出目标图像中包含有地图后,可以进一步的采用训练后的分类模型对目标图像进行分类,以确定目标图像中地图的异常类型。下面结合图6进行详细介绍,图6为本申请实施例五提供的地图检测方法的流程示意图。
如图6所示,该地图检测方法,还可以包括以下步骤:
步骤501,获取目标检测模型。
步骤502,采用目标检测模型对目标图像进行地图识别。
需要说明的是,步骤501和步骤502的实现过程,可以参见上述实施例中步骤 401和步骤402的实现过程,在此不再赘述。
步骤503,获取目标检测模型输出的位置信息。
本申请实施例中,采用目标检测模型对目标图像进行识别,确定目标图像中包含有地图时,可以检测出地图在目标图像中的位置,因此,可以获取到目标检测模型输出的地图的位置信息。
步骤504,根据位置信息,从目标图像中获取局部图。
本申请实施例中,获取到目标检测模型输出的地图在目标图像中的位置信息后,可以根据位置信息,从目标图像中获取位置信息对应的局部图。
作为一种可能的实现方式,可以根据地图在目标图像中的位置信息,对目标图像进行抠图处理,以获取到地图对应的局部图。
步骤505,采用分类模型对局部图进行分类,以得到分类模型输出的异常类型。
本申请实施例中,从目标图像中获取到局部图后,可以将局部图输入经过训练的分类模型,以根据分类模型的输出确定局部图对应的地图的异常类型。
作为一种示例,假设对用于训练分类模型的训练图像进行标注,以使得分类模型输出数字0时,确定分类模型输出的异常类型为正常地图;分类模型输出数据1时,确定分类模型输出的异常类型为部分地区缺失;分类模型输出数据2时,确定分类模型输出的异常类型为部分地区颜色异常;分类模型输出数据3时,确定分类模型输出的异常类型为部分地区增加。因此,可以采用分类模型对局部图进行分类,以确定局部图对应的异常类型。
作为一种示例,如图7所示,获取到待检测的图像后,可以采用目标检测模型对待检测的图像进行地图识别,以确定待检测图像中是否包含有特定地图。在一种可能的情况下,根据目标检测模型输出的结果确定待检测图像中不包含特定地图。
在另一种可能的情况下,根据目标检测模型输出的结果,确定待检测图像中包含有特定地图,例如中国地图、世界地图等等,并确定特定地图在待检测的图像中的位置信息,进一步地,根据位置信息,从待检测的图像中获取包含有特定地图的局部图,进而采用分类模型对局部图进行分类,以确定待检测的图像中包含的特定地图的异常类型,例如,特定地图不存在异常、异常类型为部分地区缺失、部分地区边界异常等等。
本申请实施例的地图检测方法,在采用目标检测模型对目标图像进行地图识别,确定目标图像中存在地图后,进一步采用训练后的分类模型确定目标图像中存在的地图的异常类型,从而实现了能够准确判断上传至互联网的地图是否合规,以及地图存在的异常类型,解决了现有技术中采用人工审核的方式检测图像时成本高的技术问题。
为了实现上述实施例,本申请提出了一种用于地图检测的模型训练装置。
图8为本申请实施例六提出的用于地图检测的模型训练装置的结构示意图。
如图8所示,该用于地图检测的模型训练装置600,可以包括:获取模块610、调整模块620、融合模块630、处理模块640以及第一训练模块650。
其中,获取模块610,用于获取展示有地图的第一图像,以及获取未展示地图的第二图像。
调整模块620,用于根据第二图像的图像尺寸,调整第一图像的图像尺寸,其中,调整后的第一图像的图像尺寸小于第二图像的图像尺寸。
融合模块630,用于将调整后的第一图像融合至第二图像,以得到训练图像,并根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注。
处理模块640,用于将标注的训练图像添加至训练集。
第一训练模块650,用于采用训练集对目标检测模型进行训练。
作为一种可能的情况,获取模块610,可以包括:
检测单元,用于采用目标检测模型对训练集进行目标检测,以从训练集中检测出展示有地图的图像;
处理单元,用于将训练集中,目标检测模型误检出地图的图像作为第二图像。
作为另一种可能的情况,融合模块630,可以包括:
融合单元,用于将调整后的第一图像作为前景,并将第二图像作为背景进行融合,以得到训练图像。
作为另一种可能的情况,融合单元,还可以用于:
随机确定前景和背景之间的相对位置;
根据相对位置,将作为前景的调整后的第一图像,以及将作为背景的第二图像进行融合,以得到训练图像。
作为另一种可能的情况,获取模块610,还可以包括:
搜索单元,用于搜索以得到原始地图;
调整单元,用于根据设定的异常类型,对所述原始地图进行调整,以得到属于所述异常类型的第一图像;
用于地图检测的模型训练装置600,还可以包括:
标注模块,用于根据异常类型,对训练集中的训练图像进行标注。
第二训练模块,用于采用训练集,对分类模型进行训练。
作为另一种可能的情况,调整单元,还可以用于:
识别原始地图的轮廓;根据异常类型,对原始地图的轮廓进行调整。
作为另一种可能的情况,调整单元,还可以用于:
根据异常类型,从原始地图中识别得到目标区域,以及除目标区域以外的参考区域;
对原始地图中的目标区域进行改色,以使改色后的目标区域与参考区域颜色存在差异。
需要说明的是,前述对用于地图检测的模型训练方法实施例的解释说明也适用于该实施例的用于地图检测的模型训练装置,此处不再赘述。
本申请实施例的用于地图检测的模型训练装置,通过获取到展示有地图的第一图像和未展示地图的第二图像后,根据第二图像的图像尺寸,调整第一图像的图像尺寸,将调整后的展示有地图的第一图像融合至第二图像,以得到训练图像,从而使得训练图像更加符合实际场景,丰富了训练集;进一步地,根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注,将标注的训练图像添加至训练集,采用训练集对目标检测模型进行训练,从而解决了现有的检测模型在训练中训练样本单一,导致检测模型精确度较低的技术问题,使得训练后的目标检测模型可以精确的识别出图像中的地图,以及地图在图像中的位置。
为了实现上述实施例,本申请提出了一种地图检测装置。
图9为本申请实施例七提供的地图检测装置的结构示意图。
如图9所示,该地图检测装置700,可以包括:模型获取模块710以及地图识别模块720。
其中,模型获取模块710,用于获取目标检测模型,其中,目标检测模型是获取展示有地图的第一图像,以及获取未展示地图的第二图像,根据第二图像的图像尺寸,调整第一图像的图像尺寸,以使调整后的第一图像的图像尺寸小于第二图像的图像尺寸;将调整后的第一图像融合至第二图像,以得到训练图像,并根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注,将标注的训练图像添加至训练集进行训练的得到。
地图识别模块720,用于采用目标检测模型对目标图像进行地图识别。
作为一种可能的情况,该地图检测装置700,还可以包括:
信息获取模块,用于获取目标检测模型输出的位置信息。
局部图获取模块,用于根据位置信息,从目标图像中获取局部图。
分类模块,用于采用分类模型对局部图进行分类,以得到分类模型输出的异常类型。
需要说明的是,前述对地图检测方法实施例的解释说明也适用于该实施例的地图检测装置,此处不再赘述。
本申请实施例的地图检测装置,通过训练后的目标检测模型对目标图像进行检测,实现了通过目标检测模型可以精确的识别出目标图像是否包含有地图,以及地图在目标图像中位置,由于目标检测模型是经过训练得到的,有利于提高目标检测模型对目标图像进行地图识别的精确率,降低了误检率。
为了实现上述实施例,本申请提出了一种电子设备,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,
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上述实施例所述的用于地图检测的模型训练方法,或者,执行上述实施例所述的地图检测方法。
为了实现上述实施例,本申请提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述实施例所述的用于地图检测的模型训练方法,或者,执行上述实施例所述的地图检测方法
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10所示,是根据本申请实施例的电子设备的框图。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10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10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用于地图检测的模型训练或者地图检测方法。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用于地图检测的模型训练或者地图检测方法。
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用于地图检测的模型训练或者地图检测方法对应的程序指令/模块(例如,附图8所示的获取模块610、调整模块 620、融合模块630、处理模块640以及第一训练模块650,或者如图9所示的模型获取模块710以及地图识别模块720)。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用于地图检测的模型训练或者地图检测方法。
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。
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10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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS 服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,通过获取到展示有地图的第一图像和未展示地图的第二图像后,根据第二图像的图像尺寸,调整第一图像的图像尺寸,将调整后的展示有地图的第一图像融合至第二图像,以得到训练图像,从而使得训练图像更加符合实际场景,丰富了训练集;进一步地,根据调整后的第一图像在第二图像中的融合位置对训练图像进行标注,将标注的训练图像添加至训练集,采用训练集对目标检测模型进行训练,从而解决了现有的检测模型在训练中训练样本单一,导致检测模型精确度较低的技术问题,使得训练后的目标检测模型可以精确的识别出图像中的地图,以及地图在图像中的位置。
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 (20)
1.一种用于地图检测的模型训练方法,包括:
获取展示有地图的第一图像,以及获取未展示地图的第二图像;
根据所述第二图像的图像尺寸,调整所述第一图像的图像尺寸,其中,调整后的所述第一图像的图像尺寸小于所述第二图像的图像尺寸;
将所述调整后的第一图像融合至所述第二图像,以得到训练图像,并根据所述调整后的第一图像在所述第二图像中的融合位置对所述训练图像进行标注;
将标注的所述训练图像添加至训练集;
采用所述训练集对目标检测模型进行训练。
2.根据权利要求1所述的模型训练方法,其中,所述获取未展示地图的第二图像,包括:
采用所述目标检测模型对所述训练集进行目标检测,以从所述训练集中检测出展示有地图的图像;
将所述训练集中,所述目标检测模型误检出地图的图像作为所述第二图像。
3.根据权利要求1所述的模型训练方法,其中,所述将所述调整后的第一图像融合至所述第二图像,包括:
将所述调整后的第一图像作为前景,并将所述第二图像作为背景进行融合,以得到所述训练图像。
4.根据权利要求3所述的模型训练方法,其中,将所述调整后的第一图像作为前景,并将所述第二图像作为背景进行融合,以得到所述训练图像,包括:
随机确定所述前景和所述背景之间的相对位置;
根据所述相对位置,将作为前景的所述调整后的第一图像,以及将作为背景的所述第二图像进行融合,以得到所述训练图像。
5.根据权利要求1-4任一项所述的模型训练方法,其中,所述获取展示有地图的第一图像,包括:
搜索以得到原始地图;
根据设定的异常类型,对所述原始地图进行调整,以得到属于所述异常类型的第一图像;
所述将所述调整后的第一图像融合至所述第二图像,以得到训练图像之后,还包括:
根据所述异常类型,对所述训练集中的所述训练图像进行标注;
采用所述训练集,对分类模型进行训练。
6.根据权利要求5所述的模型训练方法,其中,所述根据设定的异常类型,对所述原始地图进行调整,以得到属于所述异常类型的第一图像,包括:
识别所述原始地图的轮廓;
根据所述异常类型,对所述原始地图的轮廓进行调整。
7.根据权利要求5所述的模型训练方法,其中,所述根据设定的异常类型,对所述原始地图进行调整,以得到属于所述异常类型的第一图像,包括:
根据所述异常类型,从所述原始地图中识别得到目标区域,以及除所述目标区域以外的参考区域;
对所述原始地图中的目标区域进行改色,以使改色后的所述目标区域与所述参考区域颜色存在差异。
8.一种地图检测方法,包括:
获取目标检测模型,其中,所述目标检测模型是获取展示有地图的第一图像,以及获取未展示地图的第二图像,根据所述第二图像的图像尺寸,调整所述第一图像的图像尺寸,以使调整后的所述第一图像的图像尺寸小于所述第二图像的图像尺寸;将所述调整后的第一图像融合至所述第二图像,以得到训练图像,并根据所述调整后的第一图像在所述第二图像中的融合位置对所述训练图像进行标注,将标注的所述训练图像添加至训练集进行训练的得到;
采用目标检测模型对目标图像进行地图识别。
9.根据权利要求8所述的地图检测方法,其中,所述采用目标检测模型对目标图像进行地图识别之后,还包括:
获取所述目标检测模型输出的位置信息;
根据所述位置信息,从所述目标图像中获取局部图;
采用分类模型对所述局部图进行分类,以得到所述分类模型输出的异常类型。
10.一种用于地图检测的模型训练装置,包括:
获取模块,用于获取展示有地图的第一图像,以及获取未展示地图的第二图像;
调整模块,用于根据所述第二图像的图像尺寸,调整所述第一图像的图像尺寸,其中,调整后的所述第一图像的图像尺寸小于所述第二图像的图像尺寸;
融合模块,用于将所述调整后的第一图像融合至所述第二图像,以得到训练图像,并根据所述调整后的第一图像在所述第二图像中的融合位置对所述训练图像进行标注;
处理模块,用于将标注的所述训练图像添加至训练集;
第一训练模块,用于采用所述训练集对目标检测模型进行训练。
11.根据权利要求10所述的模型训练装置,其中,所述获取模块,包括:
检测单元,用于采用所述目标检测模型对所述训练集进行目标检测,以从所述训练集中检测出展示有地图的图像;
处理单元,用于将所述训练集中,所述目标检测模型误检出地图的图像作为所述第二图像。
12.根据权利要求10所述的模型训练装置,其中,所述融合模块,包括:
融合单元,用于将所述调整后的第一图像作为前景,并将所述第二图像作为背景进行融合,以得到所述训练图像。
13.根据权利要求12所述的模型训练装置,其中,所述融合单元,还用于:
随机确定所述前景和所述背景之间的相对位置;
根据所述相对位置,将作为前景的所述调整后的第一图像,以及将作为背景的所述第二图像进行融合,以得到所述训练图像。
14.根据权利要求10-13任一项所述的模型训练装置,其中,所述获取模块,包括:
搜索单元,用于搜索以得到原始地图;
调整单元,用于根据设定的异常类型,对所述原始地图进行调整,以得到属于所述异常类型的第一图像;
所述装置,还包括:
标注模块,用于根据所述异常类型,对所述训练集中的所述训练图像进行标注;
第二训练模块,用于采用所述训练集,对分类模型进行训练。
15.根据权利要求14所述的模型训练装置,其中,所述调整单元,用于:
识别所述原始地图的轮廓;
根据所述异常类型,对所述原始地图的轮廓进行调整。
16.根据权利要求14所述的模型训练装置,其中,所述调整单元,用于:
根据所述异常类型,从所述原始地图中识别得到目标区域,以及除所述目标区域以外的参考区域;
对所述原始地图中的目标区域进行改色,以使改色后的所述目标区域与所述参考区域颜色存在差异。
17.一种地图检测装置,包括:
模型获取模块,用于获取目标检测模型,其中,所述目标检测模型是获取展示有地图的第一图像,以及获取未展示地图的第二图像,根据所述第二图像的图像尺寸,调整所述第一图像的图像尺寸,以使调整后的所述第一图像的图像尺寸小于所述第二图像的图像尺寸;将所述调整后的第一图像融合至所述第二图像,以得到训练图像,并根据所述调整后的第一图像在所述第二图像中的融合位置对所述训练图像进行标注,将标注的所述训练图像添加至训练集进行训练的得到;
地图识别模块,用于采用目标检测模型对目标图像进行地图识别。
18.根据权利要求17所述的地图检测装置,其中,所述装置,还包括:
信息获取模块,用于获取所述目标检测模型输出的位置信息;
局部图获取模块,用于根据所述位置信息,从所述目标图像中获取局部图;
分类模块,用于采用分类模型对所述局部图进行分类,以得到所述分类模型输出的异常类型。
19.一种电子设备,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,
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1-8中任一项所述的用于地图检测的模型训练方法,或者,执行权利要求8或9所述的地图检测方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的用于地图检测的模型训练方法,或者,执行权利要求8或9所述的地图检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603165.3A CN111967490A (zh) | 2020-06-29 | 2020-06-29 | 用于地图检测的模型训练方法和地图检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603165.3A CN111967490A (zh) | 2020-06-29 | 2020-06-29 | 用于地图检测的模型训练方法和地图检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111967490A true CN111967490A (zh) | 2020-11-20 |
Family
ID=73360720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010603165.3A Pending CN111967490A (zh) | 2020-06-29 | 2020-06-29 | 用于地图检测的模型训练方法和地图检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967490A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633357A (zh) * | 2020-12-18 | 2021-04-09 | 北京地平线信息技术有限公司 | 样本图像生成方法和装置、图像识别模型生成方法和装置 |
CN112870723A (zh) * | 2021-03-08 | 2021-06-01 | 网易(杭州)网络有限公司 | 游戏地图的检测方法及装置、存储介质和电子设备 |
CN115146018A (zh) * | 2022-09-06 | 2022-10-04 | 白杨时代(北京)科技有限公司 | 一种目标确定方法及装置 |
CN116541574A (zh) * | 2023-07-07 | 2023-08-04 | 湖北珞珈实验室 | 地图敏感信息的智能提取方法、装置、存储介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061625A1 (en) * | 2015-08-26 | 2017-03-02 | Digitalglobe, Inc. | Synthesizing training data for broad area geospatial object detection |
CN108257119A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
US20200082207A1 (en) * | 2018-09-07 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Object detection method and apparatus for object detection |
KR102115534B1 (ko) * | 2019-10-14 | 2020-05-26 | 주식회사 루닛 | GAN(Generative Adversarial Networks)을 이용하는 이상 검출 방법, 장치 및 그 시스템 |
-
2020
- 2020-06-29 CN CN202010603165.3A patent/CN111967490A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061625A1 (en) * | 2015-08-26 | 2017-03-02 | Digitalglobe, Inc. | Synthesizing training data for broad area geospatial object detection |
CN108257119A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
US20200082207A1 (en) * | 2018-09-07 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Object detection method and apparatus for object detection |
KR102115534B1 (ko) * | 2019-10-14 | 2020-05-26 | 주식회사 루닛 | GAN(Generative Adversarial Networks)을 이용하는 이상 검출 방법, 장치 및 그 시스템 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633357A (zh) * | 2020-12-18 | 2021-04-09 | 北京地平线信息技术有限公司 | 样本图像生成方法和装置、图像识别模型生成方法和装置 |
CN112870723A (zh) * | 2021-03-08 | 2021-06-01 | 网易(杭州)网络有限公司 | 游戏地图的检测方法及装置、存储介质和电子设备 |
CN112870723B (zh) * | 2021-03-08 | 2024-02-23 | 网易(杭州)网络有限公司 | 游戏地图的检测方法及装置、存储介质和电子设备 |
CN115146018A (zh) * | 2022-09-06 | 2022-10-04 | 白杨时代(北京)科技有限公司 | 一种目标确定方法及装置 |
CN115146018B (zh) * | 2022-09-06 | 2023-05-26 | 白杨时代(北京)科技有限公司 | 一种目标确定方法及装置 |
CN116541574A (zh) * | 2023-07-07 | 2023-08-04 | 湖北珞珈实验室 | 地图敏感信息的智能提取方法、装置、存储介质及设备 |
CN116541574B (zh) * | 2023-07-07 | 2023-10-03 | 湖北珞珈实验室 | 地图敏感信息的智能提取方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967490A (zh) | 用于地图检测的模型训练方法和地图检测方法 | |
CN111768381A (zh) | 零部件缺陷检测方法、装置及电子设备 | |
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 | |
US20230005257A1 (en) | Illegal building identification method and apparatus, device, and storage medium | |
CN112949710B (zh) | 一种图像的聚类方法和装置 | |
CN111693534A (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
CN111626027B (zh) | 表格结构还原方法、装置、设备、系统和可读存储介质 | |
CN111967302A (zh) | 视频标签的生成方法、装置及电子设备 | |
CN109344864B (zh) | 用于密集物体的图像处理方法及装置 | |
CN108986125B (zh) | 物体边缘提取方法、装置及电子设备 | |
CN112508003A (zh) | 字符识别处理方法和装置 | |
CN112487242A (zh) | 用于识别视频的方法、装置、电子设备及可读存储介质 | |
CN111881908A (zh) | 目标检测模型的修正方法、检测方法、装置、设备及介质 | |
CN113033631A (zh) | 一种模型的增量训练方法和装置 | |
CN111783760A (zh) | 文字识别的方法、装置、电子设备及计算机可读存储介质 | |
CN111753911A (zh) | 用于融合模型的方法和装置 | |
CN111275011A (zh) | 移动红绿灯检测方法、装置、电子设备和存储介质 | |
CN112270533A (zh) | 一种数据处理方法、装置、电子设备以及存储介质 | |
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 | |
CN112288699A (zh) | 图像相对清晰度的评估方法、装置、设备和介质 | |
CN112000834A (zh) | 文档处理方法、装置、系统、电子设备及存储介质 | |
CN110196917B (zh) | 个性化logo版式定制方法、系统和存储介质 | |
CN113361303B (zh) | 临时交通标志牌识别方法、装置及设备 | |
CN112036315A (zh) | 字符识别方法、装置、电子设备及存储介质 | |
CN111696095A (zh) | 用于检测物体表面缺陷的方法及装置 |
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 |