CN114741623A - 兴趣点状态确定方法、模型训练方法及装置 - Google Patents
兴趣点状态确定方法、模型训练方法及装置 Download PDFInfo
- Publication number
- CN114741623A CN114741623A CN202210555425.3A CN202210555425A CN114741623A CN 114741623 A CN114741623 A CN 114741623A CN 202210555425 A CN202210555425 A CN 202210555425A CN 114741623 A CN114741623 A CN 114741623A
- Authority
- CN
- China
- Prior art keywords
- interest
- target
- region
- point
- mismatch
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本公开提供了一种兴趣点状态确定方法、模型训练方法及装置,涉及计算机技术领域,尤其涉及电子地图、智能交通、人工智能技术领域。实现方案为:获取目标区域的卫星图像,其中,所述目标区域为目标兴趣点所在的区域;基于所述卫星图像,确定所述目标区域与所述目标兴趣点是否失配,其中,所述失配表示所述目标区域不适于容置所述目标兴趣点;以及基于所述确定的结果,确定所述目标兴趣点的状态。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及电子地图、智能交通、人工智能技术领域,具体涉及一种兴趣点状态确定方法及装置、兴趣点状态确定模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
兴趣点(Point of Interest,POI)是地理信息系统中的一切可以抽象为点的地理对象,尤其是一些与人们生活密切相关的地理实体,例如学校、银行、餐馆、加油站、医院、超市等。
可以根据兴趣点的位置将兴趣点显示在电子地图中。相应地,用户可以在电子地图中查看兴趣点。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种兴趣点状态确定方法及装置、兴趣点状态确定模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种兴趣点状态确定方法,包括:获取目标区域的卫星图像,所述目标区域为目标兴趣点所在的区域;基于所述卫星图像,确定所述目标区域与所述目标兴趣点是否失配,所述失配表示所述目标区域不适于容置所述目标兴趣点;以及基于所述确定的结果,确定所述目标兴趣点的状态。
根据本公开的一方面,提供了一种区域状态确定模型的训练方法,包括:获取第一区域的第一卫星图像和所述第一区域的第一失配标签,所述第一区域为第一兴趣点所在的区域,所述第一失配标签用于指示所述第一区域是否与所述第一兴趣点失配;获取第二区域的第二卫星图像,所述第二区域为第二兴趣点所在的区域;确定所述第一卫星图像与所述第二卫星图像的相似度;响应于所述相似度大于相似度阈值,将所述第二区域的第二失配标签确定为所述第一失配标签;以及以区域的卫星图像和失配标签为训练样本,训练所述区域状态确定模型,所述区域包括所述第一区域和所述第二区域,所述卫星图像包括所述第一卫星图像和所述第二卫星图像,所述失配标签包括所述第一失配标签和所述第二失配标签。
根据本公开的一方面,提供了一种兴趣点状态确定装置,包括:获取模块,被配置为获取目标区域的卫星图像,所述目标区域为目标兴趣点所在的区域;第一确定模块,被配置为基于所述卫星图像,确定所述目标区域与所述目标兴趣点是否失配,所述失配表示所述目标区域不适于容置所述目标兴趣点;以及第二确定模块,被配置为基于所述确定的结果,确定所述目标兴趣点的状态。
根据本公开的一方面,提供了一种区域状态确定模型的训练装置,包括:第一获取模块,被配置为获取第一区域的第一卫星图像和所述第一区域的第一失配标签,所述第一区域为第一兴趣点所在的区域,所述第一失配标签用于指示所述第一区域是否与所述第一兴趣点失配;第二获取模块,被配置为获取第二区域的第二卫星图像,所述第二区域为第二兴趣点所在的区域;第一确定模块,被配置为确定所述第一卫星图像与所述第二卫星图像的相似度;第二确定模块,被配置为响应于所述相似度大于相似度阈值,将所述第二区域的第二失配标签确定为所述第一失配标签;以及训练模块,被配置为以区域的卫星图像和失配标签为训练样本,训练所述区域状态确定模型,其中,所述区域包括所述第一区域和所述第二区域,所述卫星图像包括所述第一卫星图像和所述第二卫星图像,所述失配标签包括所述第一失配标签和所述第二失配标签。
根据本公开的一方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器,该存储器存储有可被上述至少一个处理器执行的指令,该指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行上述任一方面的方法。
根据本公开的一方面,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,该计算机指令用于使计算机执行上述任一方面的方法。
根据本公开的一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现上述任一方面的方法。
根据本公开的一个或多个实施例,能够提高兴趣点状态确定的效率和时效性。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的兴趣点状态确定方法的流程图;
图3示出了根据本公开的实施例的兴趣点失效前后的对比图;
图4示出了根据本公开的实施例的区域状态确定模型的训练方法的流程图;
图5示出了根据本公开的实施例的兴趣点状态确定装置的结构框图;
图6示出了根据本公开的实施例的区域状态确定模型的训练装置的结构框图;以及
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在本公开中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
电子地图中的兴趣点的准确性直接影响电子地图的质量和用户对电子地图的使用体验。因此,需要尽可能及时地发现现实世界中失效的兴趣点(例如已搬迁的、停止营业的兴趣点),并将这些兴趣点从电子地图中下线(即不展示给用户)。如果失效的兴趣点没有及时从电子地图中下线,则用户可能在电子地图的引导下前往已经失效的、错误的兴趣点,浪费了用户的时间,伤害了用户体验。
相关技术中,通常通过用户上报或者采集车实地采集的方式来确定现实世界中的兴趣点的状态。这种处理方式的工作量大,耗时长,效率低,无法及时发现现实世界中的失效的兴趣点。
针对上述问题,本公开的实施例提供一种兴趣点状态确定方法,能够提高兴趣点状态确定的效率和时效性。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行兴趣点状态确定方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来进行导航。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统;或包括各种移动操作系统,例如MICROSOFT Windows Mobile OS、iOS、WindowsPhone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、Wi-Fi)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音乐文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据一些实施例,客户端设备101-106中可以包括电子地图应用,该电子地图应用可以提供基于电子地图的各种服务。与此相应地,服务器120可以是该电子地图应用对应的服务器。服务器120例如可以通过执行本公开实施例的兴趣点状态确定方法,来确定兴趣点的状态。基于所确定的兴趣点的状态,可以对电子地图进行更新。具体地,保留电子地图中的被确定为有效的兴趣点,隐匿电子地图中的被确定为无效的兴趣点。由此可以提高电子地图中的兴趣点的准确性。用户可以通过访问客户端设备101-106中的电子地图应用,来实现兴趣点查找、兴趣点导航等与兴趣点相关的地图功能。
图2示出了根据本公开实施例的兴趣点状态确定方法200的流程图。方法200通常在服务器(例如图1中所示的服务器120)处执行。在一些实施例中,方法200也可以在客户端设备(例如图1中所示的客户端设备101、102、103、104、105和106)处执行。也即,方法200的各个步骤的执行主体可以是图1中所示的服务器120,也可以是图1中所示的客户端设备101、102、103、104、105和106。
如图2所示,方法200包括步骤S210-S230。
在步骤S210中,获取目标区域的卫星图像,目标区域为目标兴趣点所在的区域。
在步骤S220中,基于卫星图像,确定目标区域与目标兴趣点是否失配,失配表示目标区域不适于容置目标兴趣点。
在步骤S230中,基于步骤S220确定的结果,确定目标兴趣点的状态。
根据本公开的实施例,通过目标区域的卫星图像来确定目标区域的状态(与目标兴趣点是否失配),基于目标区域的状态来确定目标兴趣点的状态,实现了兴趣点状态的自动、及时识别,提高了兴趣点状态确定的效率和时效性。
以下详细介绍方法200的各个步骤。
在步骤S210中,获取目标区域的卫星图像,目标区域为目标兴趣点所在的区域。
根据一些实施例,目标兴趣点可以是电子地图中的任一兴趣点。具体地,可以将电子地图中的每个兴趣点分别作为目标兴趣点,基于本公开实施例的方法200来确定其状态。由此能够对电子地图中的兴趣点进行遍历更新,提高电子地图的准确性。
在本公开的实施例中,目标区域是目标兴趣点所在的区域,即,目标区域的位置是根据目标兴趣点的位置坐标确定的。根据一些实施例,目标区域可以是以目标兴趣点为中心的区域。由此可以对目标兴趣点的周边区域进行全面、均匀的采样,以提高兴趣点状态确定的准确性。
例如,目标区域可以是以目标兴趣点为圆心的固定半径(例如100米)的圆形区域。又例如,目标区域也可以是以目标兴趣点为中心的矩形区域。
卫星图像,又称遥感图像,是通过卫星在太空中探测地球地表物体对电磁波的反射和其发射的电磁波,将这些电波信息转换及识别得到的图像。由于卫星图像能够实现地表区域的全面观测,因此对于电子地图中的任一兴趣点,均可以获取相应目标区域的最新的卫星图像。基于卫星图像来确定兴趣点的状态,能够实现对电子地图中的兴趣点的全面覆盖,对当前其他挖掘技术无法发现但实际失效很久的兴趣点进行有效挖掘,提高电子地图中的兴趣点的准确性。
在本公开的实施例中,目标兴趣点失效指的是目标兴趣点不适于被用户访问,例如目标兴趣点已经搬迁出原位置、停止营业等。
根据一些实施例,可以通过卫星观测系统获取目标区域的卫星图像,并将卫星图像压缩到预设尺寸,以便于存储和计算。预设尺寸可以根据需要进行设置。
需要说明的是,目标区域的卫星图像可以包括除目标区域以外的其他区域,例如,在目标区域为圆形区域的情况下,目标区域的卫星图像可以是包含该圆形区域的矩形图像。
在获取到目标区域的卫星图像之后,可以基于该卫星图像,确定目标区域与目标兴趣点是否失配。
目标区域与目标兴趣点失配表示目标区域不适于容置目标兴趣点。例如,目标区域当前处于施工、拆迁状态,则目标区域不适于容置目标兴趣点,即目标区域与目标兴趣点失配。又例如,目标区域是一片水域或一片绿地,而目标兴趣点是一个商铺,则目标区域不适于容置目标兴趣点,即目标区域与目标兴趣点失配。又例如,如果目标区域是商业街,目标兴趣点是商铺,则目标区域适于容置目标兴趣点,即目标区域与目标兴趣点不失配,或者说目标区域与目标兴趣点适配。
根据一些实施例,在步骤S220中,可以采用经训练的人工智能模型来确定目标区域与目标兴趣点是否失配。具体地,步骤S220可以包括以下步骤S222-S226。
在步骤S222中,提取卫星图像的图像特征。
在步骤S224中,将图像特征输入经训练的区域状态确定模型,以得到区域状态确定模型输出的失配概率。
在步骤S226中,响应于失配概率大于概率阈值,确定目标区域与目标兴趣点失配。
根据一些实施例,针对步骤S222,可以采用任意图像嵌入(embedding)算法来提取卫星图像的图像特征。图像特征例如可以是预设维度(例如256维)的一维向量。
区域状态确定模型例如可以是神经网络模型、决策树模型等。
根据一些实施例,为了提高模型的预测效果,使得模型在卫星图像整体色调偏黑的情况下仍能得出准确的预测结果,区域状态确定模型可以采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT),GBDT包括多个回归树。
具体地,可以将图像特征分别输入经训练的多个回归树,得到每个回归树输出的预测值。将每个回归树输出的预测值相加,可以得到目标区域与目标兴趣点的失配概率。响应于失配概率大于概率阈值,可以确定目标区域与目标兴趣点失配。
区域状态模型例如可以通过下文实施例的区域状态模型的训练方法400训练得到。
概率阈值可以根据需要进行设置,例如可以设置为0.5。
可以理解,如果目标区域与目标兴趣点失配,则当前的目标区域已经不适于容置目标兴趣点,相应地,目标兴趣点很可能已经失效。因此,通过判断目标区域与目标兴趣点是否失配,可以确定目标兴趣点的状态,识别出失效的目标兴趣点。
根据一些实施例,响应于确定目标区域与目标兴趣点失配,确定目标兴趣点失效。在确定目标兴趣点失效后,可以将目标兴趣点从电子地图中下线,不再将目标兴趣点呈现给用户。下线目标兴趣点的方式有多种。例如,可以将目标兴趣点的数据从电子地图中删除;或者在电子地图中保留目标兴趣点的数据,但是将目标兴趣点的显示状态设置为“不可见”;等。
考虑到步骤S220所得到的判断结果可能存在误差,因此根据一些实施例,响应于确定目标区域与目标兴趣点失配,基于预设规则验证目标兴趣点是否失效。根据该实施例,在步骤S220确定目标区域与目标兴趣点失配后,认为目标兴趣点疑似失效,进一步基于预设规则来验证目标兴趣点是否真的失效,由此可以提高兴趣点状态确定的准确性。
预设规则可以根据需要设置。例如,预设规则可以包括判断目标兴趣点近期(例如3天内、一周内)是否被用户或采集车上报为有效,若是,则认为目标兴趣点仍然有效。又例如,预设规则可以包括判断目标兴趣点的WiFi网络是否被连接,若是,则认为目标兴趣点仍然有效。
在另一些实施例中,响应于确定目标区域与目标兴趣点失配,可以生成针对目标兴趣点的校验任务,将该校验任务发送给相关工作人员。工作人员执行该校验任务,对目标兴趣点的状态进行校验,并返回目标兴趣点有效或失效的校验结果。由此也可以提高兴趣点状态确定的准确性。
根据一些实施例,响应于确定目标区域与目标兴趣点不失配(即适配),确定目标兴趣点有效。
图3示出了根据本公开实施例的目标兴趣点312失效前的卫星图像310与失效后的卫星图像320的对比图。
基于某一历史时刻的卫星图像310,可以确定目标区域(即卫星图像310所示出的地表区域)与目标兴趣点312适配,因此目标兴趣点312有效。目标兴趣点312位于道路314的一侧。
基于当前时刻的卫星图像320,可以确定目标区域(即卫星图像320所示出的地表区域)与目标兴趣点312失配,目标兴趣点312已经落入拆迁施工区域324中,因此目标兴趣点312失效。
根据本公开的实施例,还提供一种区域状态确定模型的训练方法。区域状态确定模型用于确定区域与兴趣点是否失配。
图4示出了根据本公开实施例的区域状态确定模型的训练方法400的流程图。方法400通常在服务器(例如图1中所示的服务器120)处执行。在一些实施例中,方法400也可以在客户端设备(例如图1中所示的客户端设备101、102、103、104、105和106)处执行。也即,方法400的各个步骤的执行主体可以是图1中所示的服务器120,也可以是图1中所示的客户端设备101、102、103、104、105和106。
如图4所示,方法400包括步骤S410-S450。
在步骤S410中,获取第一区域的第一卫星图像和第一区域的第一失配标签,第一区域为第一兴趣点所在的区域,第一失配标签用于指示第一区域是否与第一兴趣点失配。
在步骤S420中,获取第二区域的第二卫星图像,第二区域为第二兴趣点所在的区域。
在步骤S430中,确定第一卫星图像与第二卫星图像的相似度。
在步骤S440中,响应于相似度大于相似度阈值,将第二区域的第二失配标签确定为第一失配标签。
在步骤S450中,以区域的卫星图像和失配标签为训练样本,训练区域状态确定模型。
根据本公开的实施例,仅对少量卫星图像(即第一卫星图像,例如100张)进行人工标注,基于已标注的卫星图像对其他卫星图像(即第二卫星图像,例如10000张)进行自动标注,能够自动生成大量样本,提高模型的训练效率和预测效果。
根据一些实施例,在步骤S410中,第一失配标签为1表示第一区域与第一兴趣点失配,第一失配标签为0表示第一区域与第一兴趣点不失配(即适配)。
根据一些实施例,在步骤S430中,可以采用任意图像嵌入(embedding)算法分别提取第一卫星图像和第二卫星图像的图像特征,将两个图像特征的余弦相似度作为第一卫星图像与第二卫星图像的相似度。
相似度阈值可以根据需要进行设置。通常地,相似度阈值设置得越大,第二失配标签的准确性越高。相似度阈值例如可以设置为0.9。
区域状态确定模型例如可以是神经网络模型、决策树模型等。
根据一些实施例,为了提高模型的预测效果,使得模型在卫星图像整体色调偏黑的情况下仍能得出准确的预测结果,区域状态确定模型可以采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT),GBDT包括多个回归树。
与GBDT模型相应地,步骤S450可以包括:提取卫星图像的图像特征;基于图像特征和失配标签,依次生成多个回归树中的每个回归树,在相邻的两个回归树中,后一个回归树是基于前一个回归树的损失确定的,损失是基于将图像特征输入前一个回归树所得到的预测值和失配标签确定的。
基于经训练的GBDT模型,可以获取待识别的目标兴趣点所在区域(即目标区域)的卫星图像,提取卫星图像的图像特征,将图像特征分别输入经训练的多个回归树,得到每个回归树输出的预测值。将每个回归树输出的预测值相加,可以得到目标区域与目标兴趣点失配的概率(即失配概率)。响应于失配概率大于概率阈值(例如0.5),可以确定目标区域与目标兴趣点失配。
根据本公开的实施例,还提供了一种兴趣点状态确定装置。图5示出了根据本公开实施例的兴趣点状态确定装置500的结构框图。如图5所示,装置500包括:
获取模块510,被配置为获取目标区域的卫星图像,所述目标区域为目标兴趣点所在的区域;
第一确定模块520,被配置为基于所述卫星图像,确定所述目标区域与所述目标兴趣点是否失配,所述失配表示所述目标区域不适于容置所述目标兴趣点;以及
第二确定模块530,被配置为基于所述确定的结果,确定所述目标兴趣点的状态。
根据本公开的实施例,通过目标区域的卫星图像来确定目标区域的状态(与目标兴趣点是否失配),基于目标区域的状态来确定目标兴趣点的状态,实现了兴趣点状态的自动、及时识别,提高了兴趣点状态确定的效率和时效性。
根据一些实施例,第二确定模块530进一步被配置为:响应于确定所述目标区域与所述目标兴趣点失配,确定所述目标兴趣点失效。
根据一些实施例,第二确定模块530进一步被配置为:响应于确定所述目标区域与所述目标兴趣点失配,基于预设规则验证所述目标兴趣点是否失效。
根据一些实施例,第一确定模块520包括:提取单元,被配置为提取所述卫星图像的图像特征;预测单元,被配置为将所述图像特征输入经训练的区域状态确定模型,以得到所述区域状态确定模型输出的失配概率,其中,所述区域状态确定模型包括多个回归树;以及确定单元,被配置为响应于所述失配概率大于概率阈值,确定所述目标区域与所述目标兴趣点失配。
根据一些实施例,所述目标兴趣点为电子地图中的任一兴趣点,所述目标区域为以所述目标兴趣点为中心的区域。
根据本公开的实施例,还提供了一种区域状态确定模型的训练装置。图6示出了根据本公开实施例的区域状态确定模型的训练装置600的结构框图。如图6所示,装置600包括:
第一获取模块610,被配置为获取第一区域的第一卫星图像和所述第一区域的第一失配标签,所述第一区域为第一兴趣点所在的区域,所述第一失配标签用于指示所述第一区域是否与所述第一兴趣点失配;
第二获取模块620,被配置为获取第二区域的第二卫星图像,所述第二区域为第二兴趣点所在的区域;
第一确定模块630,被配置为确定所述第一卫星图像与所述第二卫星图像的相似度;
第二确定模块640,被配置为响应于所述相似度大于相似度阈值,将所述第二区域的第二失配标签确定为所述第一失配标签;以及
训练模块650,被配置为以区域的卫星图像和失配标签为训练样本,训练所述区域状态确定模型,所述区域包括所述第一区域和所述第二区域,所述卫星图像包括所述第一卫星图像和所述第二卫星图像,所述失配标签包括所述第一失配标签和所述第二失配标签。
根据本公开的实施例,仅对少量卫星图像(第一卫星图像)进行人工标注,基于已标注的卫星图像对其他卫星图像(第二卫星图像)进行自动标注,能够自动生成大量样本,提高模型的训练效率和预测效果。
根据一些实施例,区域状态确定模型包括多个回归树,训练模块650包括:提取单元,被配置为提取所述卫星图像的图像特征;生成单元,被配置为基于所述图像特征和所述失配标签,依次生成所述多个回归树中的每个回归树,其中,在相邻的两个回归树中,后一个回归树是基于前一个回归树的损失确定的,所述损失是基于将所述图像特征输入所述前一个回归树所得到的预测值和所述失配标签确定的。
应当理解,图5中所示装置500的各个模块或单元可以与参考图2描述的方法200中的各个步骤相对应,图6中所示装置600的各个模块或单元可以与参考图4描述的方法400中的各个步骤相对应。由此,上面针对方法200描述的操作、特征和优点同样适用于装置500及其包括的模块以及单元,上面针对方法400描述的操作、特征和优点同样适用于装置600及其包括的模块以及单元。为了简洁起见,某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能,但是应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。例如,上面描述的第一确定模块520和第二确定模块530在一些实施例中可以组合成单个模块。
还应当理解,本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图5、图6描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些模块可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些模块可以被实现为硬件逻辑/电路。例如,在一些实施例中,模块510-650中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的实施例,还提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器,该存储器存储有可被上述至少一个处理器执行的指令,该指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行上述兴趣点状态确定方法和/或区域状态确定模型的训练方法。
根据本公开的实施例,还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上述兴趣点状态确定方法和/或区域状态确定模型的训练方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现上述兴趣点状态确定方法和/或区域状态确定模型的训练方法。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备,输入单元706可以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和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、Wi-Fi设备、WiMAX设备、蜂窝通信设备和/或类似物。
计算单元701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701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701执行上文所描述的各个方法和处理,例如方法200和/或方法400。例如,在一些实施例中,方法200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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的方法200和方法400的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200和/或方法400。
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)、复杂可编程逻辑设备(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)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,也可以为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,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (17)
1.一种兴趣点状态确定方法,包括:
获取目标区域的卫星图像,其中,所述目标区域为目标兴趣点所在的区域;
基于所述卫星图像,确定所述目标区域与所述目标兴趣点是否失配,其中,所述失配表示所述目标区域不适于容置所述目标兴趣点;以及
基于所述确定的结果,确定所述目标兴趣点的状态。
2.根据权利要求1所述的方法,其中,所述基于所述确定的结果,确定所述目标兴趣点的状态包括:
响应于确定所述目标区域与所述目标兴趣点失配,确定所述目标兴趣点失效。
3.根据权利要求1所述的方法,其中,所述基于所述确定的结果,确定所述目标兴趣点的状态包括:
响应于确定所述目标区域与所述目标兴趣点失配,基于预设规则验证所述目标兴趣点是否失效。
4.根据权利要求1-3中任一项所述的方法,其中,所述基于所述卫星图像,确定所述目标区域与所述目标兴趣点是否失配包括:
提取所述卫星图像的图像特征;
将所述图像特征输入经训练的区域状态确定模型,以得到所述区域状态确定模型输出的失配概率;以及
响应于所述失配概率大于概率阈值,确定所述目标区域与所述目标兴趣点失配。
5.根据权利要求1-4中任一项所述的方法,其中,所述目标兴趣点为电子地图中的任一兴趣点,所述目标区域为以所述目标兴趣点为中心的区域。
6.一种区域状态确定模型的训练方法,包括:
获取第一区域的第一卫星图像和所述第一区域的第一失配标签,所述第一区域为第一兴趣点所在的区域,所述第一失配标签用于指示所述第一区域是否与所述第一兴趣点失配;
获取第二区域的第二卫星图像,所述第二区域为第二兴趣点所在的区域;
确定所述第一卫星图像与所述第二卫星图像的相似度;
响应于所述相似度大于相似度阈值,将所述第二区域的第二失配标签确定为所述第一失配标签;以及
以区域的卫星图像和失配标签为训练样本,训练所述区域状态确定模型,其中,所述区域包括所述第一区域和所述第二区域,所述卫星图像包括所述第一卫星图像和所述第二卫星图像,所述失配标签包括所述第一失配标签和所述第二失配标签。
7.根据权利要求6所述的方法,其中,所述区域状态确定模型包括多个回归树,并且其中,所述以区域的卫星图像和失配标签为训练样本,训练所述区域状态确定模型包括:
提取所述卫星图像的图像特征;
基于所述图像特征和所述失配标签,依次生成所述多个回归树中的每个回归树,其中,在相邻的两个回归树中,后一个回归树是基于前一个回归树的损失确定的,所述损失是基于将所述图像特征输入所述前一个回归树所得到的预测值和所述失配标签确定的。
8.一种兴趣点状态确定装置,包括:
获取模块,被配置为获取目标区域的卫星图像,其中,所述目标区域为目标兴趣点所在的区域;
第一确定模块,被配置为基于所述卫星图像,确定所述目标区域与所述目标兴趣点是否失配,其中,所述失配表示所述目标区域不适于容置所述目标兴趣点;以及
第二确定模块,被配置为基于所述确定的结果,确定所述目标兴趣点的状态。
9.根据权利要求8所述的装置,其中,所述第二确定模块进一步被配置为:
响应于确定所述目标区域与所述目标兴趣点失配,确定所述目标兴趣点失效。
10.根据权利要求8所述的装置,其中,所述第二确定模块进一步被配置为:
响应于确定所述目标区域与所述目标兴趣点失配,基于预设规则验证所述目标兴趣点是否失效。
11.根据权利要求8-10中任一项所述的装置,其中,所述第一确定模块包括:
提取单元,被配置为提取所述卫星图像的图像特征;
预测单元,被配置为将所述图像特征输入经训练的区域状态确定模型,以得到所述区域状态确定模型输出的失配概率,其中,所述区域状态确定模型包括多个回归树;以及
确定单元,被配置为响应于所述失配概率大于概率阈值,确定所述目标区域与所述目标兴趣点失配。
12.根据权利要求8-11中任一项所述的装置,其中,所述目标兴趣点为电子地图中的任一兴趣点,所述目标区域为以所述目标兴趣点为中心的区域。
13.一种区域状态确定模型的训练装置,包括:
第一获取模块,被配置为获取第一区域的第一卫星图像和所述第一区域的第一失配标签,所述第一区域为第一兴趣点所在的区域,所述第一失配标签用于指示所述第一区域是否与所述第一兴趣点失配;
第二获取模块,被配置为获取第二区域的第二卫星图像,所述第二区域为第二兴趣点所在的区域;
第一确定模块,被配置为确定所述第一卫星图像与所述第二卫星图像的相似度;
第二确定模块,被配置为响应于所述相似度大于相似度阈值,将所述第二区域的第二失配标签确定为所述第一失配标签;以及
训练模块,被配置为以区域的卫星图像和失配标签为训练样本,训练所述区域状态确定模型,其中,所述区域包括所述第一区域和所述第二区域,所述卫星图像包括所述第一卫星图像和所述第二卫星图像,所述失配标签包括所述第一失配标签和所述第二失配标签。
14.根据权利要求13所述的装置,其中,所述区域状态确定模型包括多个回归树,并且其中,所述训练模块包括:
提取单元,被配置为提取所述卫星图像的图像特征;
生成单元,被配置为基于所述图像特征和所述失配标签,依次生成所述多个回归树中的每个回归树,其中,在相邻的两个回归树中,后一个回归树是基于前一个回归树的损失确定的,所述损失是基于将所述图像特征输入所述前一个回归树所得到的预测值和所述失配标签确定的。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210555425.3A CN114741623A (zh) | 2022-05-20 | 2022-05-20 | 兴趣点状态确定方法、模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210555425.3A CN114741623A (zh) | 2022-05-20 | 2022-05-20 | 兴趣点状态确定方法、模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741623A true CN114741623A (zh) | 2022-07-12 |
Family
ID=82287094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210555425.3A Pending CN114741623A (zh) | 2022-05-20 | 2022-05-20 | 兴趣点状态确定方法、模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741623A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620157A (zh) * | 2022-09-21 | 2023-01-17 | 清华大学 | 一种卫星图像的表征学习方法及装置 |
-
2022
- 2022-05-20 CN CN202210555425.3A patent/CN114741623A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620157A (zh) * | 2022-09-21 | 2023-01-17 | 清华大学 | 一种卫星图像的表征学习方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112857268B (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
CN113256583A (zh) | 图像质量检测方法及装置、计算机设备和介质 | |
CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
CN115168545A (zh) | 群组搜索方法、装置、电子设备及介质 | |
CN114821581A (zh) | 图像识别方法和用于训练图像识别模型的方法 | |
CN114741623A (zh) | 兴趣点状态确定方法、模型训练方法及装置 | |
CN113723305A (zh) | 图像和视频检测方法、装置、电子设备和介质 | |
CN112767924A (zh) | 语音识别方法、装置、电子设备及存储介质 | |
CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN114724146A (zh) | 异常文本识别方法及装置、电子设备和存储介质 | |
CN115359309A (zh) | 目标检测模型的训练方法及装置、设备和介质 | |
CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
CN113596011A (zh) | 流量识别方法及装置,计算设备和介质 | |
CN114219046A (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
CN113868453A (zh) | 对象推荐方法和装置 | |
CN112579587A (zh) | 数据清洗方法及装置、设备和存储介质 | |
CN114860836B (zh) | 失效兴趣点的挖掘方法及装置、设备和介质 | |
CN114238793A (zh) | 轨迹点数据挖掘方法及装置、电子设备和介质 | |
CN114896445A (zh) | 兴趣点位置的确定方法及装置、电子设备和存储介质 | |
CN113918760A (zh) | 视觉搜索方法和装置 | |
CN115293264A (zh) | 数据处理方法、装置、电子设备和存储介质 |
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 |