CN112818972A - 兴趣点图像的检测方法、装置、电子设备及存储介质 - Google Patents
兴趣点图像的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112818972A CN112818972A CN202011562479.XA CN202011562479A CN112818972A CN 112818972 A CN112818972 A CN 112818972A CN 202011562479 A CN202011562479 A CN 202011562479A CN 112818972 A CN112818972 A CN 112818972A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- interest point
- poi
- interest
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 69
- 238000003058 natural language processing Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims description 66
- 238000012015 optical character recognition Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种兴趣点图像的检测方法、装置、电子设备及存储介质,涉及机器学习与自然语言处理等人工智能技术领域。具体实现方案为:提取采集的待检测图像中的文字信息;基于待检测图像中的文字信息,采用基于NLP的POI检测模块,检测待检测图像是否为POI图像。本公开的技术,能够有效地滤除杂质图像,提高POI图像的检测准确性和检测效率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及机器学习与自然语言处理等人 工智能技术领域,尤其涉及一种兴趣点图像的检测方法、装置、电子设备 及存储介质。
背景技术
随着人工智能(Artificial Intelligence;AI)技术的发展,目前地图类 应用上的数据都逐渐从人工实地采集标记迁移至自动化处理。
兴趣点(Point OfInterest;POI)是地图上极为重要的组成元素,而 POI招牌图像则是描述真实世界中POI存在的证据。在地图的POI招牌图 像自动化处理流程中,往往需要利用计算机视觉(Computer Vision;CV) 技术从一张自然场景下拍摄的图像中检测出其中包含招牌部分的图像,然 后通过光学字符识别(Optical Charactor Recognition;OCR)技术提取POI 文本作为名称。
发明内容
本公开提供了一种兴趣点图像的检测方法、装置、电子设备及存储介 质。
根据本公开的一方面,提供了一种兴趣点图像的检测方法,其中,所 述方法包括:
提取采集的待检测图像中的文字信息;
基于所述待检测图像中的文字信息,采用基于自然语言处理的兴趣点 检测模块,检测所述待检测图像是否为兴趣点图像。
根据本公开的另一方面,提供了一种兴趣点图像的检测装置,其中, 所述装置包括:
提取模块,用于提取采集的待检测图像中的文字信息;
第一检测模块,用于基于所述待检测图像中的文字信息,采用基于自 然语言处理的兴趣点检测模块,检测所述待检测图像是否为兴趣点图像。
根据本公开的再一方面,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,
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如上所述的 方法。
根据本公开的又一方面,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,其中,所述计算机指令用于使所述计算机执行如上所述 的方法。
根据本公开的再另一方面,提供了一种计算机程序产品,包括计算机 程序,所述计算机程序在被处理器执行时实现如上所述的方法。
根据本公开的技术,通过提取采集的待检测图像中的文字信息;基于 待检测图像中的文字信息,采用基于NLP的POI检测模块,检测待检测 图像是否为POI图像,能够有效地滤除杂质图像,提高POI图像的检测准 确性和检测效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键 或重要特征,也不用于限制本公开的范围。本公开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,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是本实施例提供的依存句法分析示意图;
图4是根据本公开第三实施例的示意图;
图5是根据本公开第四实施例的示意图;
图6是用来实现本公开实施例的示例电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实 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,而不会背离本公开的范围和精神。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。
图1是根据本公开第一实施例的示意图;如图1所示,本实施例提供 一种POI图像的检测方法,其具体可以包括如下步骤:
S101、提取采集的待检测图像中的文字信息;
S102、基于待检测图像中的文字信息,采用基于自然语言处理(Natural LanguageProcessing;NLP)的POI检测模块,检测待检测图像是否为POI 图像。
本实施例的POI图像的检测方法的执行主体为POI图像的检测装置, 该装置可以为电子实体,或者也可以为采用软件集成的应用。使用时,基 于待检测图像中的文字信息,检测该待检测图像是否为POI的图像。
本实施例的POI图像的检测方法的应用场景可以为:在自动化提取地 图中的POI图像的场景下,由于图像采集的现实场景非常复杂,包含了很 多噪声,其中不仅仅包括了商家的招牌图像等有效的POI图像,还包含了 路边张贴的标语、交通指示牌,大型广告牌等杂质图像。而且考虑到部分 杂质招牌图像具有和POI图像极为相似的视觉特征,如都含有文本,背景 相似,若按照传统方式非常容易识别错误,将杂质图像误认为是POI图像, 导致POI图像的检测错误。基于该问题,本实施例提供一种POI图像的检 测方法,提高POI图像的检测效果和检测准确性。
具体地,本实施例的POI图像的检测方法中,首先获取待检测图像中 的文字信息,并基于待检测图像的文字信息,采用基于NLP处理的方式 的POI检测模块,实现对待检测图像进行检测,以确定该待检测图像是否 为POI图像。
本实施例的基于NLP的POI检测模块可以理解为该POI检测模块是 基于NLP的方式,对待检测图像的文字信息进行检测。若待检测图像的 文字信息符合POI图像的特征,可以确定该待检测图像为POI图像,否则 若待检测图像的文字信息不符合POI图像的特征,则可以确定该待检测图 像不是POI图像。
本实施例的POI图像的检测方法,通过提取采集的待检测图像中的文 字信息;基于待检测图像中的文字信息,采用基于NLP的POI检测模块, 检测待检测图像是否为POI图像,能够有效地滤除杂质图像,提高POI 图像的检测准确性和检测效率。
图2是根据本公开第二实施例的示意图;如图2所示,本实施例的 POI图像的检测方法,在上述图1所示实施例的技术方案的基础上,进一 步更加详细地描述本申请的技术方案。如图2所示,本实施例的POI图像 的检测方法,具体可以包括如下步骤:
S201、采用预先训练的图像检测模型,检测待检测图像是否为疑似 POI图像;若是,执行步骤S202;否则,确定待检测图像为杂质图像,滤 除该待检测图像,结束。
本实施例中的图像检测模型也为神经网络模型,在使用之前,需要经 过预先训练。例如,可以预先采集多条训练图像数据,各训练图像数据中 包括训练图像、并标注该训练图像为POI图像还是非POI图像。训练时, 对于各训练图像数据,将对应的训练图像输入至该图像检测模型中,该图 像检测模型预测该训练图像为POI图像还是非POI图像。进一步检测预测 结果和标注的结果是否一致,若不一致,调整图像检测模型的参数,使得 预测的结果与标注的结果趋于一致。采用多条训练图像数据,不断地对图 像检测模型进行训练,直至预测的结果与标注的结果始终一致,确定图像 检测模型的参数,进而确定图像检测模型。基于此,图像检测模型训练完 毕。
使用时,将待检测图像输入至训练好的图像检测模型中,若图像检测 模型预测该待检测图像为POI图像时,是确定该待检测图像为疑似POI 图像,是否真的为POI图像,还需要后续进一步验证。而若图像检测模型 预测该待检测图像为非POI图像时,则认为该待检测图像为非POI图像, 即为杂质图像,直接滤除该待检测图像即可。
通过该步骤的初步过滤,可以初步去除杂质图像,以进一步有效地提 高POI图像的检测精度。
S202、采用OCR模块提取待检测图像中的文字信息;
本实施例的OCR模块用于在待检测图像为疑似POI图像时,进一步 从待检测图像中提取文字信息。
为了提高OCR模块提取图像中的文字信息的准确性。本实施例的 OCR模块也可以基于神经网络模型来实现,在使用之前经过预先训练,具 体地训练过程与上述图像检测模型的训练过程原理相似,通过标注的训练 数据,对OCR模块进行训练,并给予OCR模块的预测结果和标注的结果, 对OCR模块的参数进行调整,使得预测的结果与标注的结果一致。按照 上述方式,不断地进行训练,实现对OCR模块的训练。
通过采用OCR模块提取待检测图像中的文字信息,可以有效地提高 提取的待检测图像中的文字信息的准确性,进而能够有效地提高后续的 POI图像检测的精度。
S203、基于待检测图像中的文字信息,采用POI检测模块中的POI 语法分析单元,分析待检测图像中的文字信息是否符合POI名称的语法规 则,以确定待检测图像是否为POI图像;若是,执行步骤S204;否则, 确定待检测图像为杂质图像,滤除该待检测图像,结束。
本实施例中的POI语法分析单元可以以如下两方面为例来介绍。
第一方面、基于待检测图像中的文字信息和预设的非POI敏感词库, 采用POI语法分析单元,分析文字信息中是否包括预设的非POI敏感词库 中的敏感词,以确定待检测图像是否为POI图像;
本实施例的非POI敏感词库可以预先统计一些POI名称中不可能包括 的词语,如“地址”、“广告”或者其他一些在现有的POI词库中不可能 出现的词语。本实施例的非POI敏感词库可以定时更新,以保证非POI 敏感词库中的非POI的敏感词的实时性和准确性,以确保POI语法分析单 元分析的准确性。
第二方面、基于待检测图像中的文字信息和预设的POI语法结构库, 采用POI语法分析单元,分析文字信息中的语法结构是否属于预设的POI 语法结构库中的语法结构,以确定待检测图像是否为POI图像。
例如,该POI语法分析单元可以对待检测图像中的文字信息进行依存 句法分析,得到该检测图像中的文字信息的语法结构。然后,进一步分析 该检测图像中的文字信息的语法结构是否属于预设的POI语法结构库中 的语法结构,若是,则确定该待检测图像为POI图像,否则该POI图像不 是POI图像。
本实施例中,需要预先分析现有的所有POI图像中的文字信息的语法 结构,并存储有POI图像中的文字信息的语法结构,形成预设的POI语法 结构库。
例如,本实施例的待检测图像中的文字信息为“金土银土不如蓝天黑 土”。采用图3所示的依存句法分析对该待检测图像的文字信息进行依存 句法分析,得到的语法树为ADVP结构,若预设的POI语法结构库中不包 括该结构,此时,POI语法分析单元可以返回非POI图像的结果。否则若 依存句法分析得到的语法结构属于预设的POI语法结构库中的语法结构, POI语法分析单元则可以返回待检测图像为POI图像。
上述两方面可以以择一的方式存在,或者实际应用中,POI名称的语 法规则还可以包括其他角度的语法规则,对应地,POI语法分析单元也可 以从其他角度检测待检测图像中的文字信息是否符合POI的语法规范,在 此不再一一举例赘述。
S204、基于待检测图像中的文字信息,采用POI检测模块中预先训练 的POI语义分析模型,分析待检测图像是否为POI图像;若是,确定该带 检测图像为POI图像,结束。否则,确定待检测图像为杂质图像,滤除该 待检测图像,结束。
例如,在该步骤的分析中,可以先获取待检测图像中的文字信息的特 征表达;该待检测图像中的文字信息的特征表达可以为文字信息对应的向 量表达,然后将待检测图像中的文字信息的特征表达输入至POI语义分析 模型中,该POI语义分析模型可以基于输入的待检测图像中的文字信息的 特征表达,分析待检测图像是否为POI图像。即该POI语义分析模型,可 以基于待检测图像中的文字信息的特征表达,从语义角度分析待检测图像中的文字信息是否符合POI名称的语义规范,若符合,则确定该待检测图 像为POI图像,否则确定该待检测图像不是POI图像。
本实施例的POI语义分析模型可以为一个二分类的神经网络模型。本 实施例的POI语义分析模型也可以预先训练。具体地,训练时,也可以预 先采集训练数据集,其中包括正样本训练数据和负样本训练数据;其中正 样本训练数据为POI图像的文字信息以及标注结果为POI图像。负样本训 练数据为非POI图像的文字信息以及标注结果为非POI图像。
该POI语义分析模型可以基于训练数据中的文字信息,进行语义分析, 并判断该文字信息所属的图像是否为POI图像。例如,训练时,将各正样 本训练数据或者负样本训练数据输入至POI语义分析模型中,该POI语义 分析模型可以基于输入的正样本训练数据的POI图像的文字信息或者负 样本训练数据中的非POI图像的文字信息,进行语义分析,并预测文字信 息所属的图像是否为POI图像。进一步基于预测的结果和标注的结果建立 损失函数,若损失函数不收敛,则调整POI语义分析模型的参数,使得损 失函数趋于收敛。采用多条训练数据,按照上述方式,不断地对POI语义 分析模型进行训练,直至损失函数始终趋于收敛,或者训练达到预设次数 阈值,训练结束,可以确定POI语义分析模型的参数,进而确定POI语义 分析模型。
本实施例的POI语义分析模型可以基于BOW、TF-IDF等文本特征提 取方法,并结合机器学习方法(SVM、决策树等)进行分类,
或者本实施例的POI语义分析模型也可以基于Word2vec词向量算法 和LSTM、GRU等序列建模模型提取语义特征并进行分类。
或者本实施例的POI语义分析模型也可以基于BERT、ERNIE以及相 关变体预训练模型进行微调分类。
需要说明的是,本实施例中以POI检测模块中包括POI语法分析单元 和POI语义分析模型为例,实际应用中,该POI语法分析单元和POI语义 分析模型均是基于NLP的神经网络模型。本实施例中,以POI检测模块 中同时包括POI语法分析单元和POI语义分析模型为例,实际应用中,POI 语法分析单元和POI语义分析模型可以以择一的方式存在,也能够实现 POI图像的检测。
本实施例的POI图像的检测方法,通过采用上述技术方案,可以基于 待检测图像中的文字信息,从语法角度和语义角度检测待检测图像是否为 POI图像,能够进一步有效地提高POI图像的检测准确性和检测效率。
图4是根据本公开第三实施例的示意图;如图4所示,本实施例提供 一种兴趣点图像的检测装置400,包括:
提取模块401,用于提取采集的待检测图像中的文字信息;
第一检测模块402,用于基于待检测图像中的文字信息,采用基于自 然语言处理的兴趣点检测模块,检测待检测图像是否为兴趣点图像。
本实施的兴趣点图像的检测装置400,通过采用上述模块实现兴趣点 图像的检测的实现原理以及技术效果,与上述相关方法实施例的实现相同, 详细可以参考上述相关方法实施例的记载,在此不再赘述。
图5是根据本公开第四实施例的示意图;如图5所示,本实施例在上 述图4所示实施例的技术方案的基础上,进一步更加详细地介绍本申请的 技术方案。
如图5所示,本实施例的兴趣点图像的检测装置400中,第一检测模 块402,包括:
语法分析单元4021,用于基于待检测图像中的文字信息,采用兴趣点 检测模块中的兴趣点语法分析单元,分析待检测图像中的文字信息是否符 合兴趣点名称的语法规则,以确定待检测图像是否为兴趣点图像;和/或
语义分析单元4022,用于基于待检测图像中的文字信息,采用兴趣点 检测模块中预先训练的兴趣点语义分析模型,分析待检测图像是否为兴趣 点图像。
进一步可选地,语法分析单元4021,用于:
基于待检测图像中的文字信息和预设的非兴趣点敏感词库,采用兴趣 点语法分析单元,分析文字信息中是否包括预设的非兴趣点敏感词库中的 敏感词,以确定待检测图像是否为兴趣点图像;和/或
基于待检测图像中的文字信息和预设的兴趣点语法结构库,采用兴趣 点语法分析单元,分析文字信息中的语法结构是否属于预设的兴趣点语法 结构库中的语法结构,以确定待检测图像是否为兴趣点图像。
进一步可选地,语义分析单元4022,用于:
获取待检测图像中的文字信息的特征表达;
采用兴趣点语义分析模型,基于待检测图像中的文字信息的特征表达, 分析待检测图像是否为兴趣点图像。
进一步可选地,如图5所示,本实施例的兴趣点图像的检测装置400 中,还包括:
第二检测模块403,用于采用预先训练的图像检测模型,检测并确定 待检测图像为疑似兴趣点图像。
进一步可选地,本实施例的兴趣点图像的检测装置400中,提取模块 401,用于采用光学字符识别模块提取待检测图像中的文字信息。
本实施的兴趣点图像的检测装置400,通过采用上述模块实现兴趣点 图像的检测的实现原理以及技术效果,与上述相关方法实施例的实现相同, 详细可以参考上述相关方法实施例的记载,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储 介质和一种计算机程序产品。
图6示出了用来实施本公开的实施例的示例电子设备600的示意性框 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、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,个人数字助理、 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/或者要求的本公开的实现。
如图6所示,电子设备600包括计算单元601,其可以根据存储在只 读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访 问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。 在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。计 算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出 (I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606, 例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等; 存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制 解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因 特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理 组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图 形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机 器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的 处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如POI图像的检测方法。例如,在一些实施例中,POI图像的 检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质, 例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经 由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当 计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描 述的POI图像的检测方法的一个或多个步骤。备选地,在其他实施例中, 计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配 置为执行POI图像的检测方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、 专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设 备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的 任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其 他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控 制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可 以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机 器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含 或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设 备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读 储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电 磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组 合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、 可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑 盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的 任何合适组合。
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)、互联网和区块链网络。
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("Virtual Private Server", 或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也 可以分布式系统的服务器,或者是结合了区块链的服务器。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和 改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种兴趣点图像的检测方法,其中,所述方法包括:
提取采集的待检测图像中的文字信息;
基于所述待检测图像中的文字信息,采用基于自然语言处理的兴趣点检测模块,检测所述待检测图像是否为兴趣点图像。
2.根据权利要求1所述的方法,其中,基于所述待检测图像中的文字信息,采用基于自然语言处理的兴趣点检测模块,检测所述待检测图像是否为兴趣点图像,包括:
基于所述待检测图像中的文字信息,采用所述兴趣点检测模块中的兴趣点语法分析单元,分析所述待检测图像中的文字信息是否符合兴趣点名称的语法规则,以确定所述待检测图像是否为兴趣点图像;和/或
基于所述待检测图像中的文字信息,采用所述兴趣点检测模块中预先训练的兴趣点语义分析模型,分析所述待检测图像是否为兴趣点图像。
3.根据权利要求2所述的方法,其中,基于所述待检测图像中的文字信息,采用所述兴趣点检测模块中的兴趣点语法分析单元,分析所述待检测图像中的文字信息是否符合兴趣点名称的语法规则,以确定所述待检测图像是否为兴趣点图像,包括:
基于所述待检测图像中的文字信息和预设的非兴趣点敏感词库,采用所述兴趣点语法分析单元,分析所述文字信息中是否包括所述预设的非兴趣点敏感词库中的敏感词,以确定所述待检测图像是否为兴趣点图像;和/或
基于所述待检测图像中的文字信息和预设的兴趣点语法结构库,采用所述兴趣点语法分析单元,分析所述文字信息中的语法结构是否属于所述预设的兴趣点语法结构库中的语法结构,以确定所述待检测图像是否为兴趣点图像。
4.根据权利要求2所述的方法,其中,基于所述待检测图像中的文字信息,采用所述兴趣点检测模块中预先训练的兴趣点语义分析模型,分析所述待检测图像是否为兴趣点图像,包括:
获取所述待检测图像中的文字信息的特征表达;
采用所述兴趣点语义分析模型,基于所述待检测图像中的文字信息的特征表达,分析所述待检测图像是否为兴趣点图像。
5.根据权利要求1-4任一所述的方法,其中,提取采集的待检测图像中的文字信息之前,所述方法还包括:
采用预先训练的图像检测模型,检测并确定所述待检测图像为疑似兴趣点图像。
6.根据权利要求1-4任一所述的方法,其中,提取采集的待检测图像中的文字信息,包括:采用光学字符识别模块提取所述待检测图像中的文字信息。
7.一种兴趣点图像的检测装置,其中,所述装置包括:
提取模块,用于提取采集的待检测图像中的文字信息;
第一检测模块,用于基于所述待检测图像中的文字信息,采用基于自然语言处理的兴趣点检测模块,检测所述待检测图像是否为兴趣点图像。
8.根据权利要求7所述的装置,其中,所述第一检测模块,包括:
语法分析单元,用于基于所述待检测图像中的文字信息,采用所述兴趣点检测模块中的兴趣点语法分析单元,分析所述待检测图像中的文字信息是否符合兴趣点名称的语法规则,以确定所述待检测图像是否为兴趣点图像;和/或
语义分析单元,用于基于所述待检测图像中的文字信息,采用所述兴趣点检测模块中预先训练的兴趣点语义分析模型,分析所述待检测图像是否为兴趣点图像。
9.根据权利要求8所述的装置,其中,所述语法分析单元,用于:
基于所述待检测图像中的文字信息和预设的非兴趣点敏感词库,采用所述兴趣点语法分析单元,分析所述文字信息中是否包括所述预设的非兴趣点敏感词库中的敏感词,以确定所述待检测图像是否为兴趣点图像;和/或
基于所述待检测图像中的文字信息和预设的兴趣点语法结构库,采用所述兴趣点语法分析单元,分析所述文字信息中的语法结构是否属于所述预设的兴趣点语法结构库中的语法结构,以确定所述待检测图像是否为兴趣点图像。
10.根据权利要求8所述的装置,其中,所述语义分析单元,用于:
获取所述待检测图像中的文字信息的特征表达;
采用所述兴趣点语义分析模型,基于所述待检测图像中的文字信息的特征表达,分析所述待检测图像是否为兴趣点图像。
11.根据权利要求7-10任一所述的装置,其中,所述装置还包括:
第二检测模块,用于采用预先训练的图像检测模型,检测并确定所述待检测图像为疑似兴趣点图像。
12.根据权利要求7-10任一所述的装置,其中,所述提取模块,用于采用光学字符识别模块提取所述待检测图像中的文字信息。
13.一种电子设备,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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562479.XA CN112818972B (zh) | 2020-12-25 | 2020-12-25 | 兴趣点图像的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562479.XA CN112818972B (zh) | 2020-12-25 | 2020-12-25 | 兴趣点图像的检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818972A true CN112818972A (zh) | 2021-05-18 |
CN112818972B CN112818972B (zh) | 2024-03-22 |
Family
ID=75853817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011562479.XA Active CN112818972B (zh) | 2020-12-25 | 2020-12-25 | 兴趣点图像的检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818972B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591972A (zh) * | 2021-07-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备以及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912575A (zh) * | 2016-03-31 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 文字信息推送方法和装置 |
CN108734212A (zh) * | 2018-05-17 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 一种确定分类结果的方法以及相关装置 |
CN109145219A (zh) * | 2018-09-10 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 基于互联网文本挖掘的兴趣点有效性判断方法和装置 |
US20190228073A1 (en) * | 2018-01-23 | 2019-07-25 | Wipro Limited | Method and system for identifying places of interest in a natural language input |
US20200004823A1 (en) * | 2018-06-30 | 2020-01-02 | Wipro Limited | Method and device for extracting point of interest from natural language sentences |
CN111782977A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 兴趣点处理方法、装置、设备及计算机可读存储介质 |
CN111832483A (zh) * | 2020-07-14 | 2020-10-27 | 北京百度网讯科技有限公司 | 一种兴趣点有效性识别方法、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 |
CN112101165A (zh) * | 2020-09-07 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 兴趣点识别方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-25 CN CN202011562479.XA patent/CN112818972B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912575A (zh) * | 2016-03-31 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 文字信息推送方法和装置 |
US20190228073A1 (en) * | 2018-01-23 | 2019-07-25 | Wipro Limited | Method and system for identifying places of interest in a natural language input |
CN108734212A (zh) * | 2018-05-17 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 一种确定分类结果的方法以及相关装置 |
US20200004823A1 (en) * | 2018-06-30 | 2020-01-02 | Wipro Limited | Method and device for extracting point of interest from natural language sentences |
CN109145219A (zh) * | 2018-09-10 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 基于互联网文本挖掘的兴趣点有效性判断方法和装置 |
CN111782977A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 兴趣点处理方法、装置、设备及计算机可读存储介质 |
CN111832483A (zh) * | 2020-07-14 | 2020-10-27 | 北京百度网讯科技有限公司 | 一种兴趣点有效性识别方法、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 |
CN112101165A (zh) * | 2020-09-07 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 兴趣点识别方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
周来恩;王晓丹;: "基于非监督特征学习的兴趣点检测算法", 计算机科学, no. 09 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591972A (zh) * | 2021-07-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112818972B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191256B (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
TW202020691A (zh) | 特徵詞的確定方法、裝置和伺服器 | |
CN111309910A (zh) | 文本信息挖掘方法及装置 | |
CN114490998B (zh) | 文本信息的抽取方法、装置、电子设备和存储介质 | |
CN112541070B (zh) | 槽位更新语料的挖掘方法、装置、电子设备和存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN115457329B (zh) | 图像分类模型的训练方法、图像分类方法和装置 | |
CN112989235A (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN115359471A (zh) | 图像处理及联合检测模型训练方法、装置、设备和存储介质 | |
KR20220117341A (ko) | 차선 검출 모델의 트레이닝 방법, 장치, 전자 기기 및 저장 매체 | |
CN114972910A (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 | |
CN114092948A (zh) | 一种票据识别方法、装置、设备以及存储介质 | |
CN113869317A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
CN112818972B (zh) | 兴趣点图像的检测方法、装置、电子设备及存储介质 | |
CN113344214A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN114662469B (zh) | 情感分析方法、装置、电子设备及存储介质 | |
CN114764874B (zh) | 深度学习模型的训练方法、对象识别方法和装置 | |
CN113033431B (zh) | 光学字符识别模型训练和识别方法、装置、设备及介质 | |
CN114445711B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN113051926B (zh) | 文本抽取方法、设备和存储介质 | |
CN114912541A (zh) | 分类方法、装置、电子设备和存储介质 | |
CN113887414A (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN113361522A (zh) | 确定字符序列的方法、装置和电子设备 | |
CN114492409B (zh) | 文件内容的评价方法、装置、电子设备及程序产品 |
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 |